| TÃtulo : |
Robust Representation for Data Analytics : Models and Applications |
| Tipo de documento: |
documento electrónico |
| Autores: |
Li, Sheng, ; Fu, Yun, |
| Mención de edición: |
1 ed. |
| Editorial: |
[s.l.] : Springer |
| Fecha de publicación: |
2017 |
| Número de páginas: |
XI, 224 p. 52 ilustraciones, 49 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-3-319-60176-2 |
| 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: |
Procesamiento de datos Inteligencia artificial Sistemas de reconocimiento de patrones Visión por computador MinerÃa de datos y descubrimiento de conocimientos Reconocimiento de patrones automatizado |
| Clasificación: |
6.312 |
| Resumen: |
Este libro presenta los conceptos y modelos de aprendizaje de representación robusto y proporciona un conjunto de soluciones para abordar tareas de análisis de datos del mundo real, como agrupación, clasificación, modelado de series de tiempo, detección de valores atÃpicos, filtrado colaborativo, detección de comunidades, etc. Se desarrollan tipos de representaciones de caracterÃsticas sólidas, que amplÃan la comprensión del gráfico, el subespacio y el diccionario. Aprovechando la teorÃa del modelado disperso y de bajo rango, los autores desarrollan representaciones sólidas de caracterÃsticas bajo varios paradigmas de aprendizaje, incluido el aprendizaje no supervisado, el aprendizaje supervisado, el aprendizaje semisupervisado, el aprendizaje de múltiples vistas, el aprendizaje por transferencia y el aprendizaje profundo. Robust Representations for Data Analytics cubre una amplia gama de aplicaciones en los campos de investigación de big data, informática centrada en el ser humano, reconocimiento de patrones, marketing digital, minerÃa web y visión por computadora. |
| Nota de contenido: |
Introduction -- Fundamentals of Robust Representations -- Part 1: Robust Representation Models -- Robust Graph Construction -- Robust Subspace Learning -- Robust Multi-View Subspace Learning -- Part 11: Applications -- Robust Representations for Collaborative Filtering -- Robust Representations for Response Prediction -- Robust Representations for Outlier Detection -- Robust Representations for Person Re-Identification -- Robust Representations for Community Detection -- Index. |
| Tipo de medio : |
Computadora |
| Summary : |
This book introduces the concepts and models of robust representation learning, and provides a set of solutions to deal with real-world data analytics tasks, such as clustering, classification, time series modeling, outlier detection, collaborative filtering, community detection, etc. Three types of robust feature representations are developed, which extend the understanding of graph, subspace, and dictionary. Leveraging the theory of low-rank and sparse modeling, the authors develop robust feature representations under various learning paradigms, including unsupervised learning, supervised learning, semi-supervised learning, multi-view learning, transfer learning, and deep learning. Robust Representations for Data Analytics covers a wide range of applications in the research fields of big data, human-centered computing, pattern recognition, digital marketing, web mining, and computer vision. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
Robust Representation for Data Analytics : Models and Applications [documento electrónico] / Li, Sheng, ; Fu, Yun, . - 1 ed. . - [s.l.] : Springer, 2017 . - XI, 224 p. 52 ilustraciones, 49 ilustraciones en color. ISBN : 978-3-319-60176-2 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: |
Procesamiento de datos Inteligencia artificial Sistemas de reconocimiento de patrones Visión por computador MinerÃa de datos y descubrimiento de conocimientos Reconocimiento de patrones automatizado |
| Clasificación: |
6.312 |
| Resumen: |
Este libro presenta los conceptos y modelos de aprendizaje de representación robusto y proporciona un conjunto de soluciones para abordar tareas de análisis de datos del mundo real, como agrupación, clasificación, modelado de series de tiempo, detección de valores atÃpicos, filtrado colaborativo, detección de comunidades, etc. Se desarrollan tipos de representaciones de caracterÃsticas sólidas, que amplÃan la comprensión del gráfico, el subespacio y el diccionario. Aprovechando la teorÃa del modelado disperso y de bajo rango, los autores desarrollan representaciones sólidas de caracterÃsticas bajo varios paradigmas de aprendizaje, incluido el aprendizaje no supervisado, el aprendizaje supervisado, el aprendizaje semisupervisado, el aprendizaje de múltiples vistas, el aprendizaje por transferencia y el aprendizaje profundo. Robust Representations for Data Analytics cubre una amplia gama de aplicaciones en los campos de investigación de big data, informática centrada en el ser humano, reconocimiento de patrones, marketing digital, minerÃa web y visión por computadora. |
| Nota de contenido: |
Introduction -- Fundamentals of Robust Representations -- Part 1: Robust Representation Models -- Robust Graph Construction -- Robust Subspace Learning -- Robust Multi-View Subspace Learning -- Part 11: Applications -- Robust Representations for Collaborative Filtering -- Robust Representations for Response Prediction -- Robust Representations for Outlier Detection -- Robust Representations for Person Re-Identification -- Robust Representations for Community Detection -- Index. |
| Tipo de medio : |
Computadora |
| Summary : |
This book introduces the concepts and models of robust representation learning, and provides a set of solutions to deal with real-world data analytics tasks, such as clustering, classification, time series modeling, outlier detection, collaborative filtering, community detection, etc. Three types of robust feature representations are developed, which extend the understanding of graph, subspace, and dictionary. Leveraging the theory of low-rank and sparse modeling, the authors develop robust feature representations under various learning paradigms, including unsupervised learning, supervised learning, semi-supervised learning, multi-view learning, transfer learning, and deep learning. Robust Representations for Data Analytics covers a wide range of applications in the research fields of big data, human-centered computing, pattern recognition, digital marketing, web mining, and computer vision. |
| Enlace de acceso : |
https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] |
|  |
Crear una solicitud de compra Refinar búsquedaChinese Computational Linguistics / Li, Sheng ; Sun, Maosong ; Liu, Yang ; Wu, Hua ; Kang, Liu ; Che, Wanxiang ; He, Shizhu ; Rao, Gaoqi
