Título :	Synthetic Data for Deep Learning
Tipo de documento:	documento electrónico
Autores:	Nikolenko, Sergey I., Autor
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2021
Número de páginas:	XII, 348 p. 125 ilustraciones, 100 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-75178-4
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  La investigación de operaciones  ciencia de la gestión  Visión por computador  Investigación de Operaciones  Ciencias de la Gestión
Índice Dewey:	006.31 Máquina de aprendizaje
Resumen:	Este es el primer libro sobre datos sintéticos para el aprendizaje profundo, y su amplia cobertura puede convertirlo en la referencia predeterminada sobre datos sintéticos en los años venideros. El libro también puede servir como introducción a otros subcampos importantes del aprendizaje automático que rara vez se abordan en otros libros. El aprendizaje automático como disciplina no sería posible sin el funcionamiento interno de la optimización disponible. El libro incluye los aspectos necesarios de la optimización, aunque el meollo de la discusión se centra en la herramienta cada vez más popular para entrenar modelos de aprendizaje profundo: los datos sintéticos. Se espera que el campo de los datos sintéticos experimente un crecimiento exponencial en un futuro próximo. Este libro sirve como un estudio exhaustivo del campo. En el caso más simple, los datos sintéticos se refieren a gráficos generados por computadora que se utilizan para entrenar modelos de visión por computadora. Hay muchas más facetas de los datos sintéticos a considerar. En la sección sobre visión por computadora básica, el libro analiza problemas fundamentales de visión por computadora, tanto de bajo nivel (por ejemplo, estimación de flujo óptico) como de alto nivel (por ejemplo, detección de objetos y segmentación semántica), entornos sintéticos y conjuntos de datos para escenas exteriores y urbanas. (conducción autónoma), escenas interiores (navegación interior), navegación aérea y entornos de simulación para robótica. Además, aborda aplicaciones de datos sintéticos fuera de la visión por computadora (en programación neuronal, bioinformática, PNL y más). También analiza el trabajo para mejorar el desarrollo de datos sintéticos y formas alternativas de producirlos, como las GAN. El libro presenta y revisa varios enfoques diferentes de datos sintéticos en diversos dominios del aprendizaje automático, en particular los siguientes campos: adaptación de dominio para hacer que los datos sintéticos sean más realistas y/o adaptación de los modelos que se entrenarán en datos sintéticos y privacidad diferencial para generar datos sintéticos. datos con garantías de privacidad. Esta discusión va acompañada de una introducción a las redes generativas adversarias (GAN) y una introducción a la privacidad diferencial.
Nota de contenido:	1. Introduction -- 2. Synthetic data for basic computer vision problems -- 3. Synthetic simulated environments -- 4. Synthetic data outside computer vision -- 5. Directions in synthetic data development -- 6. Synthetic-to-real domain adaptation and refinement -- 7. Privacy guarantees in synthetic data -- 8. Promising directions for future work -- Conclusion -- References.
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

Synthetic Data for Deep Learning [documento electrónico] / Nikolenko, Sergey I., Autor  . -  1 ed.  . - [s.l.] : Springer, 2021 . - XII, 348 p. 125 ilustraciones, 100 ilustraciones en color.
ISBN : 978-3-030-75178-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Aprendizaje automático  La investigación de operaciones  ciencia de la gestión  Visión por computador  Investigación de Operaciones  Ciencias de la Gestión
Índice Dewey:	006.31 Máquina de aprendizaje
Resumen:	Este es el primer libro sobre datos sintéticos para el aprendizaje profundo, y su amplia cobertura puede convertirlo en la referencia predeterminada sobre datos sintéticos en los años venideros. El libro también puede servir como introducción a otros subcampos importantes del aprendizaje automático que rara vez se abordan en otros libros. El aprendizaje automático como disciplina no sería posible sin el funcionamiento interno de la optimización disponible. El libro incluye los aspectos necesarios de la optimización, aunque el meollo de la discusión se centra en la herramienta cada vez más popular para entrenar modelos de aprendizaje profundo: los datos sintéticos. Se espera que el campo de los datos sintéticos experimente un crecimiento exponencial en un futuro próximo. Este libro sirve como un estudio exhaustivo del campo. En el caso más simple, los datos sintéticos se refieren a gráficos generados por computadora que se utilizan para entrenar modelos de visión por computadora. Hay muchas más facetas de los datos sintéticos a considerar. En la sección sobre visión por computadora básica, el libro analiza problemas fundamentales de visión por computadora, tanto de bajo nivel (por ejemplo, estimación de flujo óptico) como de alto nivel (por ejemplo, detección de objetos y segmentación semántica), entornos sintéticos y conjuntos de datos para escenas exteriores y urbanas. (conducción autónoma), escenas interiores (navegación interior), navegación aérea y entornos de simulación para robótica. Además, aborda aplicaciones de datos sintéticos fuera de la visión por computadora (en programación neuronal, bioinformática, PNL y más). También analiza el trabajo para mejorar el desarrollo de datos sintéticos y formas alternativas de producirlos, como las GAN. El libro presenta y revisa varios enfoques diferentes de datos sintéticos en diversos dominios del aprendizaje automático, en particular los siguientes campos: adaptación de dominio para hacer que los datos sintéticos sean más realistas y/o adaptación de los modelos que se entrenarán en datos sintéticos y privacidad diferencial para generar datos sintéticos. datos con garantías de privacidad. Esta discusión va acompañada de una introducción a las redes generativas adversarias (GAN) y una introducción a la privacidad diferencial.
Nota de contenido:	1. Introduction -- 2. Synthetic data for basic computer vision problems -- 3. Synthetic simulated environments -- 4. Synthetic data outside computer vision -- 5. Directions in synthetic data development -- 6. Synthetic-to-real domain adaptation and refinement -- 7. Privacy guarantees in synthetic data -- 8. Promising directions for future work -- Conclusion -- References.
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