Cause Effect Pairs in Machine Learning / Guyon, Isabelle ; Statnikov, Alexander ; Batu, Berna Bakir  

Público ISBD Ningún comentario para este registro. Título : Cause Effect Pairs in Machine Learning Tipo de documento: documento electrónico Autores: Guyon, Isabelle, ; Statnikov, Alexander, ; Batu, Berna Bakir, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XVI, 372 p. 122 ilustraciones, 90 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-21810-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro presenta avances revolucionarios en el campo del aprendizaje de la estructura causal. El problema de distinguir la causa del efecto ("¿La altitud provoca un cambio en la presión atmosférica, o viceversa?") se plantea aquí como un problema de clasificación binaria, que se debe abordar mediante algoritmos de aprendizaje automático. Basándose en los resultados del desafío de pares causa-efecto de ChaLearn, este libro revela que la distribución conjunta de dos variables puede ser examinada por algoritmos de aprendizaje automático para revelar la posible existencia de un "mecanismo causal", en el sentido de que los valores de una variable pueden haberse generado a partir de los valores de la otra. Este libro proporciona material tutorial sobre el estado del arte de los pares causa-efecto y expone al lector a material más avanzado, con una colección de artículos seleccionados. El material complementario incluye videos, diapositivas y código que se pueden encontrar en el sitio web del taller. El descubrimiento de relaciones causales a partir de datos observacionales será cada vez más importante en la ciencia de datos con la creciente cantidad de datos disponibles, como un medio para detectar posibles desencadenantes en epidemiología, ciencias sociales, economía, biología, medicina y otras ciencias. Nota de contenido: 1. The cause-effect problem: motivation, ideas, and popular misconceptions -- 2. Evaluation methods of cause-effect pairs -- 3. Learning Bivariate Functional Causal Models -- 4. Discriminant Learning Machines -- 5. Cause-Effect Pairs in Time Series with a Focus on Econometrics -- 6. Beyond cause-effect pairs -- 7. Results of the Cause-Effect Pair Challenge -- 8. Non-linear Causal Inference using Gaussianity Measures -- 9. From Dependency to Causality: A Machine Learning Approach -- 10. Pattern-based Causal Feature Extraction -- 11. Training Gradient Boosting Machines using Curve-fitting and Information-theoretic Features for Causal Direction Detection -- 12. Conditional distribution variability measures for causality detection -- 13. Feature importance in causal inference for numerical and categorical variables -- 14. Markov Blanket Ranking using Kernel-based Conditional Dependence Measures. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Cause Effect Pairs in Machine Learning [documento electrónico] / Guyon, Isabelle, ; Statnikov, Alexander, ; Batu, Berna Bakir,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - XVI, 372 p. 122 ilustraciones, 90 ilustraciones en color. ISBN : 978-3-030-21810-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro presenta avances revolucionarios en el campo del aprendizaje de la estructura causal. El problema de distinguir la causa del efecto ("¿La altitud provoca un cambio en la presión atmosférica, o viceversa?") se plantea aquí como un problema de clasificación binaria, que se debe abordar mediante algoritmos de aprendizaje automático. Basándose en los resultados del desafío de pares causa-efecto de ChaLearn, este libro revela que la distribución conjunta de dos variables puede ser examinada por algoritmos de aprendizaje automático para revelar la posible existencia de un "mecanismo causal", en el sentido de que los valores de una variable pueden haberse generado a partir de los valores de la otra. Este libro proporciona material tutorial sobre el estado del arte de los pares causa-efecto y expone al lector a material más avanzado, con una colección de artículos seleccionados. El material complementario incluye videos, diapositivas y código que se pueden encontrar en el sitio web del taller. El descubrimiento de relaciones causales a partir de datos observacionales será cada vez más importante en la ciencia de datos con la creciente cantidad de datos disponibles, como un medio para detectar posibles desencadenantes en epidemiología, ciencias sociales, economía, biología, medicina y otras ciencias. Nota de contenido: 1. The cause-effect problem: motivation, ideas, and popular misconceptions -- 2. Evaluation methods of cause-effect pairs -- 3. Learning Bivariate Functional Causal Models -- 4. Discriminant Learning Machines -- 5. Cause-Effect Pairs in Time Series with a Focus on Econometrics -- 6. Beyond cause-effect pairs -- 7. Results of the Cause-Effect Pair Challenge -- 8. Non-linear Causal Inference using Gaussianity Measures -- 9. From Dependency to Causality: A Machine Learning Approach -- 10. Pattern-based Causal Feature Extraction -- 11. Training Gradient Boosting Machines using Curve-fitting and Information-theoretic Features for Causal Direction Detection -- 12. Conditional distribution variability measures for causality detection -- 13. Feature importance in causal inference for numerical and categorical variables -- 14. Markov Blanket Ranking using Kernel-based Conditional Dependence Measures. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Explainable and Interpretable Models in Computer Vision and Machine Learning / Escalante, Hugo Jair ; Escalera, Sergio ; Guyon, Isabelle ; Baró, Xavier ; Güçlütürk, Yağmur ; Güçlü, Umut ; van Gerven, Marcel  

Público ISBD Ningún comentario para este registro. Título : Explainable and Interpretable Models in Computer Vision and Machine Learning Tipo de documento: documento electrónico Autores: Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, Yağmur, ; Güçlü, Umut, ; van Gerven, Marcel, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-98131-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro recopila investigaciones líderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una característica crítica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorítmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vídeo basadas en la teoría de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Explainable and Interpretable Models in Computer Vision and Machine Learning [documento electrónico] / Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, Yağmur, ; Güçlü, Umut, ; van Gerven, Marcel,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color. ISBN : 978-3-319-98131-4 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro recopila investigaciones líderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una característica crítica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorítmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vídeo basadas en la teoría de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Gesture Recognition / Escalera, Sergio ; Guyon, Isabelle ; Athitsos, Vassilis  

Público ISBD Ningún comentario para este registro. Título : Gesture Recognition Tipo de documento: documento electrónico Autores: Escalera, Sergio, ; Guyon, Isabelle, ; Athitsos, Vassilis, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: XII, 578 p. 214 ilustraciones, 170 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-57021-1 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro presenta una selección de capítulos, escritos por destacados investigadores internacionales, relacionados con el análisis automático de gestos a partir de imágenes fijas y secuencias de imágenes multimodales RGB-Depth. Ofrece una revisión exhaustiva de los enfoques basados ​​en la visión para métodos de reconocimiento de gestos supervisados ​​que han sido validados por varios desafíos. Se revisan varios aspectos del reconocimiento de gestos, incluida la adquisición de datos de diferentes fuentes, la extracción de características, el aprendizaje y el reconocimiento de gestos. Nota de contenido: Preface -- Chapter 1 -- Chapter 2 -- Chapter 3 -- Chapter 4 -- Chapter 5. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Gesture Recognition [documento electrónico] / Escalera, Sergio, ; Guyon, Isabelle, ; Athitsos, Vassilis,  . -  1 ed.  . - [s.l.] : Springer, 2017 . - XII, 578 p. 214 ilustraciones, 170 ilustraciones en color. ISBN : 978-3-319-57021-1 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro presenta una selección de capítulos, escritos por destacados investigadores internacionales, relacionados con el análisis automático de gestos a partir de imágenes fijas y secuencias de imágenes multimodales RGB-Depth. Ofrece una revisión exhaustiva de los enfoques basados ​​en la visión para métodos de reconocimiento de gestos supervisados ​​que han sido validados por varios desafíos. Se revisan varios aspectos del reconocimiento de gestos, incluida la adquisición de datos de diferentes fuentes, la extracción de características, el aprendizaje y el reconocimiento de gestos. Nota de contenido: Preface -- Chapter 1 -- Chapter 2 -- Chapter 3 -- Chapter 4 -- Chapter 5. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

Neural Connectomics Challenge / Battaglia, Demian ; Guyon, Isabelle ; Lemaire, Vincent ; Orlandi, Javier ; Ray, Bisakha ; Soriano, Jordi  

Público ISBD Ningún comentario para este registro. Título : Neural Connectomics Challenge Tipo de documento: documento electrónico Autores: Battaglia, Demian, ; Guyon, Isabelle, ; Lemaire, Vincent, ; Orlandi, Javier, ; Ray, Bisakha, ; Soriano, Jordi, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2017 Número de páginas: X, 117 p. 28 ilustraciones ISBN/ISSN/DL: 978-3-319-53070-3 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro ilustra el impulso de la comunidad científica para utilizar conceptos de aprendizaje automático para abordar un problema complejo: dadas series temporales de actividad neuronal espontánea, ¿cuál es la conectividad subyacente entre las neuronas de la red? Los autores contribuyentes también desarrollan herramientas para el avance de la neurociencia a través de técnicas de aprendizaje automático, centrándose en los principales problemas abiertos en la neurociencia. Si bien las técnicas se han desarrollado para una aplicación específica, abordan el problema más general de la reconstrucción de redes a partir de series temporales observacionales, un problema de interés en una amplia variedad de dominios, incluidos la econometría, la epidemiología y la climatología, por citar sólo algunos. < El libro está diseñado para las comunidades de matemáticas, física e informática que realizan investigaciones en problemas de neurociencia. El contenido también es adecuado para la comunidad de aprendizaje automático porque ejemplifica cómo abordar el mismo problema desde diferentes perspectivas. Nota de contenido: First Connectomics Challenge: From Imaging to Connectivity -- Simple Connectome Inference from Partial Correlation Statistics in Calcium Imaging -- Supervised Neural Network Structure Recovery -- Signal Correlation Prediction Using Convolutional Neural Networks -- Reconstruction of Excitatory Neuronal Connectivity via Metric Score Pooling and Regularization -- Neural Connectivity Reconstruction from Calcium Imaging Signal using Random Forest with Topological Features -- Efficient Combination of Pairwise Feature Networks -- Predicting Spiking Activities in DLS Neurons with Linear-Nonlinear-Poisson Model -- SuperSlicing Frame Restoration for Anisotropic ssTEM and Video Data -- Supplemental Information. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Neural Connectomics Challenge [documento electrónico] / Battaglia, Demian, ; Guyon, Isabelle, ; Lemaire, Vincent, ; Orlandi, Javier, ; Ray, Bisakha, ; Soriano, Jordi,  . -  1 ed.  . - [s.l.] : Springer, 2017 . - X, 117 p. 28 ilustraciones. ISBN : 978-3-319-53070-3 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial  Visión por computador Índice Dewey: 006.3 Inteligencia artificial Resumen: Este libro ilustra el impulso de la comunidad científica para utilizar conceptos de aprendizaje automático para abordar un problema complejo: dadas series temporales de actividad neuronal espontánea, ¿cuál es la conectividad subyacente entre las neuronas de la red? Los autores contribuyentes también desarrollan herramientas para el avance de la neurociencia a través de técnicas de aprendizaje automático, centrándose en los principales problemas abiertos en la neurociencia. Si bien las técnicas se han desarrollado para una aplicación específica, abordan el problema más general de la reconstrucción de redes a partir de series temporales observacionales, un problema de interés en una amplia variedad de dominios, incluidos la econometría, la epidemiología y la climatología, por citar sólo algunos. < El libro está diseñado para las comunidades de matemáticas, física e informática que realizan investigaciones en problemas de neurociencia. El contenido también es adecuado para la comunidad de aprendizaje automático porque ejemplifica cómo abordar el mismo problema desde diferentes perspectivas. Nota de contenido: First Connectomics Challenge: From Imaging to Connectivity -- Simple Connectome Inference from Partial Correlation Statistics in Calcium Imaging -- Supervised Neural Network Structure Recovery -- Signal Correlation Prediction Using Convolutional Neural Networks -- Reconstruction of Excitatory Neuronal Connectivity via Metric Score Pooling and Regularization -- Neural Connectivity Reconstruction from Calcium Imaging Signal using Random Forest with Topological Features -- Efficient Combination of Pairwise Feature Networks -- Predicting Spiking Activities in DLS Neurons with Linear-Nonlinear-Poisson Model -- SuperSlicing Frame Restoration for Anisotropic ssTEM and Video Data -- Supplemental Information. En línea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i

---

1 (1 - 4 / 4) Par page : 25 50 100 200