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

Público ISBD Ningún comentario para este título. 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book presents ground-breaking advances in the domain of causal structure learning. The problem of distinguishing cause from effect ("Does altitude cause a change in atmospheric pressure, or vice versa?") is here cast as a binary classification problem, to be tackled by machine learning algorithms. Based on the results of the ChaLearn Cause-Effect Pairs Challenge, this book reveals that the joint distribution of two variables can be scrutinized by machine learning algorithms to reveal the possible existence of a "causal mechanism", in the sense that the values of one variable may have been generated from the values of the other. This book provides both tutorial material on the state-of-the-art on cause-effect pairs and exposes the reader to more advanced material, with a collection of selected papers. Supplemental material includes videos, slides, and code which can be found on the workshop website. Discovering causal relationships from observational data will become increasingly important in data science with the increasing amount of available data, as a means of detecting potential triggers in epidemiology, social sciences, economy, biology, medicine, and other sciences. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book presents ground-breaking advances in the domain of causal structure learning. The problem of distinguishing cause from effect ("Does altitude cause a change in atmospheric pressure, or vice versa?") is here cast as a binary classification problem, to be tackled by machine learning algorithms. Based on the results of the ChaLearn Cause-Effect Pairs Challenge, this book reveals that the joint distribution of two variables can be scrutinized by machine learning algorithms to reveal the possible existence of a "causal mechanism", in the sense that the values of one variable may have been generated from the values of the other. This book provides both tutorial material on the state-of-the-art on cause-effect pairs and exposes the reader to more advanced material, with a collection of selected papers. Supplemental material includes videos, slides, and code which can be found on the workshop website. Discovering causal relationships from observational data will become increasingly important in data science with the increasing amount of available data, as a means of detecting potential triggers in epidemiology, social sciences, economy, biology, medicine, and other sciences. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

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

Público ISBD Ningún comentario para este título. 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, YaÄŸmur, ; 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. . Tipo de medio : Computadora Summary : This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning. Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision. This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following: · Evaluation and Generalization in Interpretable Machine Learning · Explanation Methods in Deep Learning · Learning Functional Causal Models with Generative Neural Networks · Learning Interpreatable Rules for Multi-Label Classification · Structuring Neural Networks for More Explainable Predictions · Generating Post Hoc Rationales of Deep Visual Classification Decisions · Ensembling Visual Explanations · Explainable Deep Driving by Visualizing Causal Attention · Interdisciplinary Perspective on Algorithmic Job Candidate Search · Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions · Inherent Explainability Pattern Theory-based Video Event Interpretations. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Explainable and Interpretable Models in Computer Vision and Machine Learning [documento electrónico] / Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, YaÄŸmur, ; 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. . Tipo de medio : Computadora Summary : This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning. Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision. This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following: · Evaluation and Generalization in Interpretable Machine Learning · Explanation Methods in Deep Learning · Learning Functional Causal Models with Generative Neural Networks · Learning Interpreatable Rules for Multi-Label Classification · Structuring Neural Networks for More Explainable Predictions · Generating Post Hoc Rationales of Deep Visual Classification Decisions · Ensembling Visual Explanations · Explainable Deep Driving by Visualizing Causal Attention · Interdisciplinary Perspective on Algorithmic Job Candidate Search · Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions · Inherent Explainability Pattern Theory-based Video Event Interpretations. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

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

Público ISBD Ningún comentario para este título. 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book presents a selection of chapters, written by leading international researchers, related to the automatic analysis of gestures from still images and multi-modal RGB-Depth image sequences. It offers a comprehensive review of vision-based approaches for supervised gesture recognition methods that have been validated by various challenges. Several aspects of gesture recognition are reviewed, including data acquisition from different sources, feature extraction, learning, and recognition of gestures. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador  Sistemas de reconocimiento de patrones  Reconocimiento de patrones automatizado Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book presents a selection of chapters, written by leading international researchers, related to the automatic analysis of gestures from still images and multi-modal RGB-Depth image sequences. It offers a comprehensive review of vision-based approaches for supervised gesture recognition methods that have been validated by various challenges. Several aspects of gesture recognition are reviewed, including data acquisition from different sources, feature extraction, learning, and recognition of gestures. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

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

Público ISBD Ningún comentario para este título. 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book illustrates the thrust of the scientific community to use machine learning concepts for tackling a complex problem: given time series of neuronal spontaneous activity, which is the underlying connectivity between the neurons in the network? The contributing authors also develop tools for the advancement of neuroscience through machine learning techniques, with a focus on the major open problems in neuroscience. While the techniques have been developed for a specific application, they address the more general problem of network reconstruction from observational time series, a problem of interest in a wide variety of domains, including econometrics, epidemiology, and climatology, to cite only a few. < The book is designed for the mathematics, physics and computer science communities that carry out research in neuroscience problems. The content is also suitable for the machine learning community because it exemplifies how to approach the same problem from different perspectives. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] 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. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial  Visión por computador Clasificación: 006.3 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. Tipo de medio : Computadora Summary : This book illustrates the thrust of the scientific community to use machine learning concepts for tackling a complex problem: given time series of neuronal spontaneous activity, which is the underlying connectivity between the neurons in the network? The contributing authors also develop tools for the advancement of neuroscience through machine learning techniques, with a focus on the major open problems in neuroscience. While the techniques have been developed for a specific application, they address the more general problem of network reconstruction from observational time series, a problem of interest in a wide variety of domains, including econometrics, epidemiology, and climatology, to cite only a few. < The book is designed for the mathematics, physics and computer science communities that carry out research in neuroscience problems. The content is also suitable for the machine learning community because it exemplifies how to approach the same problem from different perspectives. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]

---

1 (1 - 4 / 4) Ver por página : 25 50 100 200