Learning Representation for Multi-View Data Analysis / Ding, Zhengming  

Público ISBD Ningún comentario para este registro. Título : Learning Representation for Multi-View Data Analysis : Models and Applications Tipo de documento: documento electrónico Autores: Ding, Zhengming, Autor ; Zhao, Handong, Autor ; Fu, Yun, Autor Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: X, 268 p. 76 ilustraciones, 69 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-00734-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de datos  Inteligencia artificial  Sistemas de reconocimiento de patrones  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Índice Dewey: 006.312 Minería de datos Resumen: Este libro equipa a los lectores para manejar representaciones complejas de datos de múltiples vistas, centradas en varias aplicaciones visuales importantes, y comparte muchos consejos e ideas a través de un marco de aprendizaje unificado. Este marco es capaz de modelar la mayoría de los aprendizajes multivista y la adaptación de dominios existentes, enriqueciendo la comprensión de los lectores a partir de sus similitudes y diferencias basadas en la organización de los datos y la configuración del problema, así como el objetivo de la investigación. Una revisión exhaustiva proporciona de manera exhaustiva las investigaciones recientes clave sobre el análisis de datos de múltiples vistas, es decir, agrupamiento de múltiples vistas, clasificación de múltiples vistas, aprendizaje de tiro cero y adaptación de dominio. Se analizan desafíos más prácticos en el análisis de datos de múltiples vistas, incluido el aprendizaje de múltiples vistas incompleto, desequilibrado y a gran escala. La representación de aprendizaje para el análisis de datos de múltiples vistas 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, minería web y visión por computadora. Nota de contenido: Introduction -- Multi-view Clustering with Complete Information -- Multi-view Clustering with Partial Information -- Multi-view Outlier Detection -- Multi-view Transformation Learning -- Zero-Shot Learning -- Missing Modality Transfer Learning -- Deep Domain Adaptation -- Deep Domain Generalization. . 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 Learning Representation for Multi-View Data Analysis : Models and Applications [documento electrónico] / Ding, Zhengming, Autor ; Zhao, Handong, Autor ; Fu, Yun, Autor  . -  1 ed.  . - [s.l.] : Springer, 2019 . - X, 268 p. 76 ilustraciones, 69 ilustraciones en color. ISBN : 978-3-030-00734-8 Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de datos  Inteligencia artificial  Sistemas de reconocimiento de patrones  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Índice Dewey: 006.312 Minería de datos Resumen: Este libro equipa a los lectores para manejar representaciones complejas de datos de múltiples vistas, centradas en varias aplicaciones visuales importantes, y comparte muchos consejos e ideas a través de un marco de aprendizaje unificado. Este marco es capaz de modelar la mayoría de los aprendizajes multivista y la adaptación de dominios existentes, enriqueciendo la comprensión de los lectores a partir de sus similitudes y diferencias basadas en la organización de los datos y la configuración del problema, así como el objetivo de la investigación. Una revisión exhaustiva proporciona de manera exhaustiva las investigaciones recientes clave sobre el análisis de datos de múltiples vistas, es decir, agrupamiento de múltiples vistas, clasificación de múltiples vistas, aprendizaje de tiro cero y adaptación de dominio. Se analizan desafíos más prácticos en el análisis de datos de múltiples vistas, incluido el aprendizaje de múltiples vistas incompleto, desequilibrado y a gran escala. La representación de aprendizaje para el análisis de datos de múltiples vistas 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, minería web y visión por computadora. Nota de contenido: Introduction -- Multi-view Clustering with Complete Information -- Multi-view Clustering with Partial Information -- Multi-view Outlier Detection -- Multi-view Transformation Learning -- Zero-Shot Learning -- Missing Modality Transfer Learning -- Deep Domain Adaptation -- Deep Domain Generalization. . 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

Robust Representation for Data Analytics / Li, Sheng  

Público ISBD Ningún comentario para este registro. Título : Robust Representation for Data Analytics : Models and Applications Tipo de documento: documento electrónico Autores: Li, Sheng, Autor ; Fu, Yun, Autor 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. Palabras clave: Procesamiento de datos  Inteligencia artificial  Sistemas de reconocimiento de patrones  Visión por computador  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Índice Dewey: 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 atípicos, filtrado colaborativo, detección de comunidades, etc. Se desarrollan tipos de representaciones de características sólidas, que amplían la comprensión del gráfico, el subespacio y el diccionario. Aprovechando la teoría del modelado disperso y de bajo rango, los autores desarrollan representaciones sólidas de características 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, minería 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. 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 Robust Representation for Data Analytics : Models and Applications [documento electrónico] / Li, Sheng, Autor ; Fu, Yun, Autor  . -  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. Palabras clave: Procesamiento de datos  Inteligencia artificial  Sistemas de reconocimiento de patrones  Visión por computador  Minería de datos y descubrimiento de conocimientos  Reconocimiento de patrones automatizado Índice Dewey: 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 atípicos, filtrado colaborativo, detección de comunidades, etc. Se desarrollan tipos de representaciones de características sólidas, que amplían la comprensión del gráfico, el subespacio y el diccionario. Aprovechando la teoría del modelado disperso y de bajo rango, los autores desarrollan representaciones sólidas de características 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, minería 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. 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 - 2 / 2) Por página: 25 50 100 200