| Título : |
Machine Learning |
| Tipo de documento: |
documento electrónico |
| Autores: |
Zhou, Zhi-Hua, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2021 |
| Número de páginas: |
XIII, 459 p. 137 ilustraciones, 68 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1519673-- |
| 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 Procesamiento de datos Informática Minería de datos y descubrimiento de conocimientos Matemáticas de la Computación |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
El aprendizaje automático, un área vital y central de la inteligencia artificial (IA), está impulsando cada vez más el campo de la IA y convirtiéndolo en una de las áreas más atractivas de la investigación en ciencias de la computación. Este libro de texto ofrece una introducción completa e imparcial a casi todos los aspectos del aprendizaje automático, desde los fundamentos hasta los temas avanzados. Consta de 16 capítulos divididos en tres partes: la Parte 1 (Capítulos 1-3) presenta los fundamentos del aprendizaje automático, incluida la terminología, los principios básicos, la evaluación y los modelos lineales; la Parte 2 (Capítulos 4-10) presenta métodos de aprendizaje automático clásicos y de uso común, como árboles de decisión, redes neuronales, máquinas de vectores de soporte, clasificadores bayesianos, métodos de conjunto, agrupamiento, reducción de dimensión y aprendizaje métrico; la Parte 3 (Capítulos 11-16) presenta algunos temas avanzados, que cubren la selección de características y el aprendizaje disperso, la teoría del aprendizaje computacional, el aprendizaje semisupervisado, los modelos gráficos probabilísticos, el aprendizaje de reglas y el aprendizaje de refuerzo. Cada capítulo incluye ejercicios y lecturas adicionales, para que los lectores puedan explorar áreas de interés. El libro se puede utilizar como libro de texto de grado o posgrado para ciencias de la computación, ingeniería informática, ingeniería eléctrica, ciencia de datos y carreras afines. También es un recurso de referencia útil para investigadores y profesionales del aprendizaje automático. |
| Nota de contenido: |
1 Introduction -- 2 Model Selection and Evaluation -- 3 Linear Models -- 4 Decision Trees -- 5 Neural Networks -- 6 Support Vector Machine -- 7 Bayes Classifiers -- 8 Ensemble Learning -- 9 Clustering -- 10 Dimensionality Reduction and Metric Learning -- 11 Feature Selection and Sparse Learning -- 12 Computational Learning Theory -- 13 Semi-Supervised Learning -- 14 Probabilistic Graphical Models -- 15 Rule Learning -- 16 Reinforcement Learning. |
| 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 |
Machine Learning [documento electrónico] / Zhou, Zhi-Hua, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2021 . - XIII, 459 p. 137 ilustraciones, 68 ilustraciones en color. ISBN : 978-981-1519673-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Aprendizaje automático Procesamiento de datos Informática Minería de datos y descubrimiento de conocimientos Matemáticas de la Computación |
| Índice Dewey: |
006.31 Máquina de aprendizaje |
| Resumen: |
El aprendizaje automático, un área vital y central de la inteligencia artificial (IA), está impulsando cada vez más el campo de la IA y convirtiéndolo en una de las áreas más atractivas de la investigación en ciencias de la computación. Este libro de texto ofrece una introducción completa e imparcial a casi todos los aspectos del aprendizaje automático, desde los fundamentos hasta los temas avanzados. Consta de 16 capítulos divididos en tres partes: la Parte 1 (Capítulos 1-3) presenta los fundamentos del aprendizaje automático, incluida la terminología, los principios básicos, la evaluación y los modelos lineales; la Parte 2 (Capítulos 4-10) presenta métodos de aprendizaje automático clásicos y de uso común, como árboles de decisión, redes neuronales, máquinas de vectores de soporte, clasificadores bayesianos, métodos de conjunto, agrupamiento, reducción de dimensión y aprendizaje métrico; la Parte 3 (Capítulos 11-16) presenta algunos temas avanzados, que cubren la selección de características y el aprendizaje disperso, la teoría del aprendizaje computacional, el aprendizaje semisupervisado, los modelos gráficos probabilísticos, el aprendizaje de reglas y el aprendizaje de refuerzo. Cada capítulo incluye ejercicios y lecturas adicionales, para que los lectores puedan explorar áreas de interés. El libro se puede utilizar como libro de texto de grado o posgrado para ciencias de la computación, ingeniería informática, ingeniería eléctrica, ciencia de datos y carreras afines. También es un recurso de referencia útil para investigadores y profesionales del aprendizaje automático. |
| Nota de contenido: |
1 Introduction -- 2 Model Selection and Evaluation -- 3 Linear Models -- 4 Decision Trees -- 5 Neural Networks -- 6 Support Vector Machine -- 7 Bayes Classifiers -- 8 Ensemble Learning -- 9 Clustering -- 10 Dimensionality Reduction and Metric Learning -- 11 Feature Selection and Sparse Learning -- 12 Computational Learning Theory -- 13 Semi-Supervised Learning -- 14 Probabilistic Graphical Models -- 15 Rule Learning -- 16 Reinforcement Learning. |
| 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 |
|  |
Machine Learning
