Deep Learning: Fundamentals, Theory and Applications / Huang, Kaizhu ; Hussain, Amir ; Wang, Qiu-Feng ; Zhang, Rui  

Público ISBD Ningún comentario para este registro. Título : Deep Learning: Fundamentals, Theory and Applications Tipo de documento: documento electrónico Autores: Huang, Kaizhu, ; Hussain, Amir, ; Wang, Qiu-Feng, ; Zhang, Rui, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: VII, 163 p. 66 ilustraciones, 46 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-06073-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Biología  Inteligencia artificial  Algoritmos  Investigación biomédica Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: El propósito de este volumen editado es proporcionar una descripción general completa de los fundamentos del aprendizaje profundo, presentar las arquitecturas y algoritmos de aprendizaje ampliamente utilizados, presentar sus últimos avances teóricos, discutir las plataformas y conjuntos de datos de aprendizaje profundo más populares y describir cuántas Las metodologías de aprendizaje profundo han aportado grandes avances en diversas aplicaciones de procesamiento de texto, imágenes, vídeo, voz y audio. El aprendizaje profundo (DL) ha sido ampliamente considerado como la próxima generación de metodología de aprendizaje automático. DL atrae mucha atención y también logra un gran éxito en el reconocimiento de patrones, la visión por computadora, la extracción de datos y el descubrimiento de conocimientos debido a su gran capacidad para aprender características abstractas de alto nivel a partir de una gran cantidad de datos. Este nuevo libro no sólo intentará proporcionar una hoja de ruta general o una guía para las metodologías actuales de aprendizaje profundo, sino que también presentará los desafíos y visualizará nuevas perspectivas que pueden conducir a mayores avances en este campo. Este libro servirá como una referencia útil para estudiantes de último año (pregrado o posgrado) en ciencias de la computación, estadística, ingeniería eléctrica, así como para otros interesados ​​en estudiar o explorar el potencial de explotar los algoritmos de aprendizaje profundo. También será de especial interés para los investigadores en el área de la IA, el reconocimiento de patrones, el aprendizaje automático y áreas relacionadas, junto con los ingenieros interesados ​​en aplicar modelos de aprendizaje profundo en aplicaciones prácticas nuevas o existentes. Nota de contenido: Preface -- Introduction to Deep Density Models with Latent Variables -- Deep RNN Architecture: Design and Evaluation -- Deep Learning Based Handwritten Chinese Character and Text Recognition -- Deep Learning and Its Applications to Natural Language Processing -- Deep Learning for Natural Language Processing -- Oceanic Data Analysis with Deep Learning Models -- Index. 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 Deep Learning: Fundamentals, Theory and Applications [documento electrónico] / Huang, Kaizhu, ; Hussain, Amir, ; Wang, Qiu-Feng, ; Zhang, Rui,  . -  1 ed.  . - [s.l.] : Springer, 2019 . - VII, 163 p. 66 ilustraciones, 46 ilustraciones en color. ISBN : 978-3-030-06073-2 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Biología  Inteligencia artificial  Algoritmos  Investigación biomédica Índice Dewey: 610.72 Medicina (Investigación Experimental) Resumen: El propósito de este volumen editado es proporcionar una descripción general completa de los fundamentos del aprendizaje profundo, presentar las arquitecturas y algoritmos de aprendizaje ampliamente utilizados, presentar sus últimos avances teóricos, discutir las plataformas y conjuntos de datos de aprendizaje profundo más populares y describir cuántas Las metodologías de aprendizaje profundo han aportado grandes avances en diversas aplicaciones de procesamiento de texto, imágenes, vídeo, voz y audio. El aprendizaje profundo (DL) ha sido ampliamente considerado como la próxima generación de metodología de aprendizaje automático. DL atrae mucha atención y también logra un gran éxito en el reconocimiento de patrones, la visión por computadora, la extracción de datos y el descubrimiento de conocimientos debido a su gran capacidad para aprender características abstractas de alto nivel a partir de una gran cantidad de datos. Este nuevo libro no sólo intentará proporcionar una hoja de ruta general o una guía para las metodologías actuales de aprendizaje profundo, sino que también presentará los desafíos y visualizará nuevas perspectivas que pueden conducir a mayores avances en este campo. Este libro servirá como una referencia útil para estudiantes de último año (pregrado o posgrado) en ciencias de la computación, estadística, ingeniería eléctrica, así como para otros interesados ​​en estudiar o explorar el potencial de explotar los algoritmos de aprendizaje profundo. También será de especial interés para los investigadores en el área de la IA, el reconocimiento de patrones, el aprendizaje automático y áreas relacionadas, junto con los ingenieros interesados ​​en aplicar modelos de aprendizaje profundo en aplicaciones prácticas nuevas o existentes. Nota de contenido: Preface -- Introduction to Deep Density Models with Latent Variables -- Deep RNN Architecture: Design and Evaluation -- Deep Learning Based Handwritten Chinese Character and Text Recognition -- Deep Learning and Its Applications to Natural Language Processing -- Deep Learning for Natural Language Processing -- Oceanic Data Analysis with Deep Learning Models -- Index. 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 - 1 / 1) Par page : 25 50 100 200