| Título : |
Deep Neural Evolution : Deep Learning with Evolutionary Computation |
| Tipo de documento: |
documento electrónico |
| Autores: |
Iba, Hitoshi, ; Noman, Nasimul, |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2020 |
| Número de páginas: |
XII, 438 p. 221 ilustraciones, 107 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1536854-- |
| Nota general: |
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. |
| Palabras clave: |
Aprendizaje automático Redes neuronales (Informática) Modelos matemáticos de procesos cognitivos y redes neuronales |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro ofrece lo último en métodos de aprendizaje profundo (DL) híbridos con computación evolutiva (EC). Durante la última década, DL ha reformado drásticamente muchos dominios: visión por computadora, reconocimiento de voz, atención médica y juegos automáticos, por mencionar solo algunos. Todos los modelos DL, que utilizan diferentes arquitecturas y algoritmos, utilizan múltiples capas de procesamiento para extraer una jerarquía de abstracciones de datos. A pesar de sus notables éxitos, estos poderosos modelos enfrentan muchos desafíos, y este libro presenta los esfuerzos colaborativos de los investigadores de la CE para resolver algunos de los problemas en la DL. EC comprende técnicas de optimización que son útiles cuando los problemas son complejos o poco comprendidos, o cuando no se dispone de información suficiente sobre el dominio del problema. Esta familia de algoritmos ha demostrado ser eficaz para resolver problemas con características desafiantes como la no convexidad, la no linealidad, el ruido y la irregularidad, que reducen el rendimiento de la mayoría de los esquemas de optimización clásicos. Además, la CE se ha aplicado amplia y exitosamente en la investigación de redes neuronales artificiales (RNA), desde la estimación de parámetros hasta la optimización de estructuras. Por ello, los investigadores de la CE están entusiasmados por aplicar su arsenal al diseño y optimización de redes neuronales profundas (DNN). Este libro reúne los avances recientes en la investigación de DL, donde la atención se centra particularmente en tres subdominios que integran EC con DL: (1) EC para optimización de hiperparámetros en DNN; (2) CE para el diseño de arquitectura DNN; y (3) Neuroevolución profunda. El libro también presenta aplicaciones interesantes de DL con EC en problemas del mundo real, por ejemplo, clasificación de malware y detección de objetos. Además, cubre aplicaciones recientes de EC en DL, por ejemplo, entrenamiento de redes generativas adversarias (GAN) y ataques adversarios. El libro tiene como objetivo impulsar y facilitar la investigación en DL con EC tanto en la teoría como en la práctica. |
| Nota de contenido: |
Chapter 1: Evolutionary Computation and meta-heuristics -- Chapter 2: A Shallow Introduction to Deep Neural Networks -- Chapter 3: On the Assessment of Nature-Inspired Meta-Heuristic Optimization Techniques to Fine-Tune Deep Belief Networks -- Chapter 4: Automated development of DNN based spoken language systems using evolutionary algorithms -- Chapter 5: Search heuristics for the optimization of DBN for Time Series Forecasting -- Chapter 6: Particle Swarm Optimisation for Evolving Deep Convolutional Neural Networks for Image Classification: Single- and Multi-objective Approaches -- Chapter 7: Designing Convolutional Neural Network Architectures Using Cartesian Genetic Programming -- Chapter 8: Fast Evolution of CNN Architecture for Image Classificaiton -- Chapter 9: Discovering Gated Recurrent Neural Network Architectures -- Chapter 10: Investigating Deep Recurrent Connections and Recurrent Memory Cells Using Neuro-Evolution -- Chapter 11: Neuroevolution of Generative Adversarial Networks -- Chapter 12: Evolving deep neural networks for X-ray based detection of dangerous objects -- Chapter 13: Evolving the architecture and hyperparameters of DNNs for malware detection -- Chapter 14: Data Dieting in GAN Training -- Chapter 15: One-Pixel Attack: Understanding and Improving Deep Neural Networks with Evolutionary Computation. |
| 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 Neural Evolution : Deep Learning with Evolutionary Computation [documento electrónico] / Iba, Hitoshi, ; Noman, Nasimul, . - 1 ed. . - Singapore [Malasya] : Springer, 2020 . - XII, 438 p. 221 ilustraciones, 107 ilustraciones en color. ISBN : 978-981-1536854-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Redes neuronales (Informática) Modelos matemáticos de procesos cognitivos y redes neuronales |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
Este libro ofrece lo último en métodos de aprendizaje profundo (DL) híbridos con computación evolutiva (EC). Durante la última década, DL ha reformado drásticamente muchos dominios: visión por computadora, reconocimiento de voz, atención médica y juegos automáticos, por mencionar solo algunos. Todos los modelos DL, que utilizan diferentes arquitecturas y algoritmos, utilizan múltiples capas de procesamiento para extraer una jerarquía de abstracciones de datos. A pesar de sus notables éxitos, estos poderosos modelos enfrentan muchos desafíos, y este libro presenta los esfuerzos colaborativos de los investigadores de la CE para resolver algunos de los problemas en la DL. EC comprende técnicas de optimización que son útiles cuando los problemas son complejos o poco comprendidos, o cuando no se dispone de información suficiente sobre el dominio del problema. Esta familia de algoritmos ha demostrado ser eficaz para resolver problemas con características desafiantes como la no convexidad, la no linealidad, el ruido y la irregularidad, que reducen el rendimiento de la mayoría de los esquemas de optimización clásicos. Además, la CE se ha aplicado amplia y exitosamente en la investigación de redes neuronales artificiales (RNA), desde la estimación de parámetros hasta la optimización de estructuras. Por ello, los investigadores de la CE están entusiasmados por aplicar su arsenal al diseño y optimización de redes neuronales profundas (DNN). Este libro reúne los avances recientes en la investigación de DL, donde la atención se centra particularmente en tres subdominios que integran EC con DL: (1) EC para optimización de hiperparámetros en DNN; (2) CE para el diseño de arquitectura DNN; y (3) Neuroevolución profunda. El libro también presenta aplicaciones interesantes de DL con EC en problemas del mundo real, por ejemplo, clasificación de malware y detección de objetos. Además, cubre aplicaciones recientes de EC en DL, por ejemplo, entrenamiento de redes generativas adversarias (GAN) y ataques adversarios. El libro tiene como objetivo impulsar y facilitar la investigación en DL con EC tanto en la teoría como en la práctica. |
| Nota de contenido: |
Chapter 1: Evolutionary Computation and meta-heuristics -- Chapter 2: A Shallow Introduction to Deep Neural Networks -- Chapter 3: On the Assessment of Nature-Inspired Meta-Heuristic Optimization Techniques to Fine-Tune Deep Belief Networks -- Chapter 4: Automated development of DNN based spoken language systems using evolutionary algorithms -- Chapter 5: Search heuristics for the optimization of DBN for Time Series Forecasting -- Chapter 6: Particle Swarm Optimisation for Evolving Deep Convolutional Neural Networks for Image Classification: Single- and Multi-objective Approaches -- Chapter 7: Designing Convolutional Neural Network Architectures Using Cartesian Genetic Programming -- Chapter 8: Fast Evolution of CNN Architecture for Image Classificaiton -- Chapter 9: Discovering Gated Recurrent Neural Network Architectures -- Chapter 10: Investigating Deep Recurrent Connections and Recurrent Memory Cells Using Neuro-Evolution -- Chapter 11: Neuroevolution of Generative Adversarial Networks -- Chapter 12: Evolving deep neural networks for X-ray based detection of dangerous objects -- Chapter 13: Evolving the architecture and hyperparameters of DNNs for malware detection -- Chapter 14: Data Dieting in GAN Training -- Chapter 15: One-Pixel Attack: Understanding and Improving Deep Neural Networks with Evolutionary Computation. |
| 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 |
|  |
Hacer una sugerencia Refinar búsqueda
