Título :	Supervised and Unsupervised Learning for Data Science
Tipo de documento:	documento electrónico
Autores:	Berry, Michael W., ; Mohamed, Azlinah, ; Yap, Bee Wah,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2020
Número de páginas:	VIII, 187 p. 55 ilustraciones, 45 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-22475-2
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Telecomunicación  Procesamiento de la señal  Sistemas de reconocimiento de patrones  Inteligencia artificial  Procesamiento de datos  Ingeniería en Comunicaciones  Redes  Procesamiento de señales  voz e imágenes  Reconocimiento de patrones automatizado  Minería de datos y descubrimiento de conocimientos
Índice Dewey:	621.382 Ingeniería de comunicaciones
Resumen:	Este libro cubre el estado del arte en algoritmos de aprendizaje con la inclusión de métodos semisupervisados ​​para proporcionar una amplia gama de soluciones de agrupación y clasificación para aplicaciones de big data. Se incluyen estudios de casos y mejores prácticas junto con modelos teóricos de aprendizaje para una referencia integral del campo. El libro está organizado en ocho capítulos que cubren los siguientes temas: discretización, extracción y selección de características, clasificación, agrupamiento, modelado de temas, análisis de gráficos y aplicaciones. Los profesionales y estudiantes de posgrado pueden utilizar el volumen como una referencia importante para sus investigaciones actuales y futuras, y los profesores lo encontrarán útil para las tareas de presentación de enfoques actuales del aprendizaje no supervisado y semisupervisado en cursos de seminarios de posgrado. El libro se basa en artículos seleccionados y ampliados de la Cuarta Conferencia Internacional sobre Computación Suave en Ciencia de Datos (2018). Incluye nuevos avances en agrupación y clasificación mediante aprendizaje semisupervisado y no supervisado; Abordar los nuevos desafíos que surgen en la extracción y selección de características mediante el aprendizaje semisupervisado y no supervisado; Presenta aplicaciones de atención médica, ingeniería y minería de textos/redes sociales que explotan técnicas de aprendizaje semisupervisado y no supervisado.
Nota de contenido:	Chapter1: A Systematic Review on Supervised & Unsupervised Machine Learning Algorithms for Data Science -- Chapter2: Overview of One-Pass and Discard-After-Learn Concepts for Classification and Clustering in Streaming Environment with Constraints -- Chapter3: Distributed Single-Source Shortest Path Algorithms with Two Dimensional Graph Layout -- Chapter4: Using Non-Negative Tensor Decomposition for Unsupervised Textual Influence Modeling -- Chapter5: Survival Support Vector Machines: A Simulation Study and Its Health-related Application -- Chapter6: Semantic Unsupervised Learning for Word Sense Disambiguation -- Chapter7: Enhanced Tweet Hybrid Recommender System using Unsupervised Topic Modeling and Matrix Factorization based Neural Network -- Chapter8: New Applications of a Supervised Computational Intelligence (CI) Approach: Case Study in Civil Engineering.
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

Supervised and Unsupervised Learning for Data Science [documento electrónico] / Berry, Michael W., ; Mohamed, Azlinah, ; Yap, Bee Wah,  . -  1 ed.  . - [s.l.] : Springer, 2020 . - VIII, 187 p. 55 ilustraciones, 45 ilustraciones en color.
ISBN : 978-3-030-22475-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Telecomunicación  Procesamiento de la señal  Sistemas de reconocimiento de patrones  Inteligencia artificial  Procesamiento de datos  Ingeniería en Comunicaciones  Redes  Procesamiento de señales  voz e imágenes  Reconocimiento de patrones automatizado  Minería de datos y descubrimiento de conocimientos
Índice Dewey:	621.382 Ingeniería de comunicaciones
Resumen:	Este libro cubre el estado del arte en algoritmos de aprendizaje con la inclusión de métodos semisupervisados ​​para proporcionar una amplia gama de soluciones de agrupación y clasificación para aplicaciones de big data. Se incluyen estudios de casos y mejores prácticas junto con modelos teóricos de aprendizaje para una referencia integral del campo. El libro está organizado en ocho capítulos que cubren los siguientes temas: discretización, extracción y selección de características, clasificación, agrupamiento, modelado de temas, análisis de gráficos y aplicaciones. Los profesionales y estudiantes de posgrado pueden utilizar el volumen como una referencia importante para sus investigaciones actuales y futuras, y los profesores lo encontrarán útil para las tareas de presentación de enfoques actuales del aprendizaje no supervisado y semisupervisado en cursos de seminarios de posgrado. El libro se basa en artículos seleccionados y ampliados de la Cuarta Conferencia Internacional sobre Computación Suave en Ciencia de Datos (2018). Incluye nuevos avances en agrupación y clasificación mediante aprendizaje semisupervisado y no supervisado; Abordar los nuevos desafíos que surgen en la extracción y selección de características mediante el aprendizaje semisupervisado y no supervisado; Presenta aplicaciones de atención médica, ingeniería y minería de textos/redes sociales que explotan técnicas de aprendizaje semisupervisado y no supervisado.
Nota de contenido:	Chapter1: A Systematic Review on Supervised & Unsupervised Machine Learning Algorithms for Data Science -- Chapter2: Overview of One-Pass and Discard-After-Learn Concepts for Classification and Clustering in Streaming Environment with Constraints -- Chapter3: Distributed Single-Source Shortest Path Algorithms with Two Dimensional Graph Layout -- Chapter4: Using Non-Negative Tensor Decomposition for Unsupervised Textual Influence Modeling -- Chapter5: Survival Support Vector Machines: A Simulation Study and Its Health-related Application -- Chapter6: Semantic Unsupervised Learning for Word Sense Disambiguation -- Chapter7: Enhanced Tweet Hybrid Recommender System using Unsupervised Topic Modeling and Matrix Factorization based Neural Network -- Chapter8: New Applications of a Supervised Computational Intelligence (CI) Approach: Case Study in Civil Engineering.
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