Autor Ifrim, Georgiana
|
|
Documentos disponibles escritos por este autor (5)
Hacer una sugerencia Refinar búsquedaAdvanced Analytics and Learning on Temporal Data / Lemaire, Vincent ; Malinowski, Simon ; Bagnall, Anthony ; Guyet, Thomas ; Tavenard, Romain ; Ifrim, Georgiana
TÃtulo : Advanced Analytics and Learning on Temporal Data : 5th ECML PKDD Workshop, AALTD 2020, Ghent, Belgium, September 18, 2020, Revised Selected Papers Tipo de documento: documento electrónico Autores: Lemaire, Vincent, ; Malinowski, Simon, ; Bagnall, Anthony, ; Guyet, Thomas, ; Tavenard, Romain, ; Ifrim, Georgiana, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: X, 233 p. 88 ilustraciones, 67 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-65742-0 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Procesamiento de datos Ciencias sociales Aprendizaje automático Red de computadoras MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Redes de comunicación informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 4.º Taller ECML PKDD sobre análisis avanzado y aprendizaje sobre datos temporales, AALTD 2019, celebrado en Gante, Bélgica, en septiembre de 2020. Los 15 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 29 presentaciones. . Los artÃculos seleccionados están dedicados a temas como Temporal Data Clustering; Clasificación de Series Temporales Univariadas y Multivariadas; Clasificación Temprana de Datos Temporales; Aprendizaje profundo y representaciones de aprendizaje para datos temporales; Modelado de Dependencias Temporales; Modelos Avanzados de Previsión y Predicción; Análisis EstadÃstico Espacio-Temporal; Métodos de Análisis de Datos Funcionales; Flujos de datos temporales; Métodos de análisis de series temporales interpretables; Reducción de dimensionalidad, escasez, complejidad algorÃtmica y desafÃo de Big Data; y Bioinformática, Medicina, Consumo de EnergÃa, Datos Temporales. Nota de contenido: Temporal Data Clustering -- Classification of Univariate and Multivariate Time Series -- Early Classification of Temporal Data -- Deep Learning and Learning Representations for Temporal Data -- Modeling Temporal Dependencies -- Advanced Forecasting and Prediction Models -- Space-Temporal Statistical Analysis -- Functional Data Analysis Methods -- Temporal Data Streams -- Interpretable Time-Series Analysis Methods -- Dimensionality Reduction, Sparsity, Algorithmic Complexity and Big Data Challenge -- Bio-Informatics, Medical, Energy Consumption, Temporal Data. En lÃnea: 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 Advanced Analytics and Learning on Temporal Data : 5th ECML PKDD Workshop, AALTD 2020, Ghent, Belgium, September 18, 2020, Revised Selected Papers [documento electrónico] / Lemaire, Vincent, ; Malinowski, Simon, ; Bagnall, Anthony, ; Guyet, Thomas, ; Tavenard, Romain, ; Ifrim, Georgiana, . - 1 ed. . - [s.l.] : Springer, 2020 . - X, 233 p. 88 ilustraciones, 67 ilustraciones en color.
ISBN : 978-3-030-65742-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Procesamiento de datos Ciencias sociales Aprendizaje automático Red de computadoras MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Redes de comunicación informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 4.º Taller ECML PKDD sobre análisis avanzado y aprendizaje sobre datos temporales, AALTD 2019, celebrado en Gante, Bélgica, en septiembre de 2020. Los 15 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 29 presentaciones. . Los artÃculos seleccionados están dedicados a temas como Temporal Data Clustering; Clasificación de Series Temporales Univariadas y Multivariadas; Clasificación Temprana de Datos Temporales; Aprendizaje profundo y representaciones de aprendizaje para datos temporales; Modelado de Dependencias Temporales; Modelos Avanzados de Previsión y Predicción; Análisis EstadÃstico Espacio-Temporal; Métodos de Análisis de Datos Funcionales; Flujos de datos temporales; Métodos de análisis de series temporales interpretables; Reducción de dimensionalidad, escasez, complejidad algorÃtmica y desafÃo de Big Data; y Bioinformática, Medicina, Consumo de EnergÃa, Datos Temporales. Nota de contenido: Temporal Data Clustering -- Classification of Univariate and Multivariate Time Series -- Early Classification of Temporal Data -- Deep Learning and Learning Representations for Temporal Data -- Modeling Temporal Dependencies -- Advanced Forecasting and Prediction Models -- Space-Temporal Statistical Analysis -- Functional Data Analysis Methods -- Temporal Data Streams -- Interpretable Time-Series Analysis Methods -- Dimensionality Reduction, Sparsity, Algorithmic Complexity and Big Data Challenge -- Bio-Informatics, Medical, Energy Consumption, Temporal Data. En lÃnea: 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
TÃtulo : Advanced Analytics and Learning on Temporal Data : 6th ECML PKDD Workshop, AALTD 2021, Bilbao, Spain, September 13, 2021, Revised Selected Papers Tipo de documento: documento electrónico Autores: Lemaire, Vincent, ; Malinowski, Simon, ; Bagnall, Anthony, ; Guyet, Thomas, ; Tavenard, Romain, ; Ifrim, Georgiana, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: X, 195 p. 68 ilustraciones, 57 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-91445-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Procesamiento de datos Red de computadoras Ciencias sociales MinerÃa de datos y descubrimiento de conocimientos Redes de comunicación informática Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 6.º Taller ECML PKDD sobre análisis avanzado y aprendizaje sobre datos temporales, AALTD 2021, celebrado del 13 al 17 de septiembre de 2021. El taller estaba previsto que se llevara a cabo en Bilbao, España, pero se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 12 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 21 envÃos. Se centran en los siguientes temas: agrupación de datos temporales; Clasificación de Series Temporales Univariadas y Multivariadas; Co-agrupación de series temporales multivariadas; Detección eficiente de eventos; Modelado de Dependencias Temporales; Modelos Avanzados de Previsión y Predicción; Previsión basada en clústeres; Métodos de Explicación para la Clasificación de Series Temporales; Metaaprendizaje multimodal para regresión de series temporales; y detección de anomalÃas en series temporales multivariadas. . Nota de contenido: Oral Presentation -- Ranking by Aggregating Referees: Evaluating the Informativeness of Explanation Methods for Time Series Classification -- State Space approximation of Gaussian Processes for time-series forecasting -- Fast Channel Selection for Scalable Multivariate Time Series Classification -- Temporal phenotyping for characterisation of hospital care pathways of COVID patients -- A New Multivariate Time Series Co-clustering Non-Parametric Model Applied to Driving-Assistance Systems Validation -- TRAMESINO: Trainable Memory System for Intelligent Optimization of Road Traffic Control -- Detection of critical events in renewable energy production time series -- Poster Presentation -- Multimodal Meta-Learning for Time Series Regression -- Cluster-based Forecasting for Intermittent and Non-intermittent Time Series -- State discovery and prediction from multivariate sensor data -- RevDet: Robust and Memory Efficient Event Detection and Tracking in Large News Feeds -- From Univariate to Multivariate Time Series Anomaly Detection with Non-Local Information. En lÃnea: 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 Advanced Analytics and Learning on Temporal Data : 6th ECML PKDD Workshop, AALTD 2021, Bilbao, Spain, September 13, 2021, Revised Selected Papers [documento electrónico] / Lemaire, Vincent, ; Malinowski, Simon, ; Bagnall, Anthony, ; Guyet, Thomas, ; Tavenard, Romain, ; Ifrim, Georgiana, . - 1 ed. . - [s.l.] : Springer, 2021 . - X, 195 p. 68 ilustraciones, 57 ilustraciones en color.
ISBN : 978-3-030-91445-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Procesamiento de datos Red de computadoras Ciencias sociales MinerÃa de datos y descubrimiento de conocimientos Redes de comunicación informática Aplicación informática en ciencias sociales y del comportamiento Computadoras y Educación Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas del 6.º Taller ECML PKDD sobre análisis avanzado y aprendizaje sobre datos temporales, AALTD 2021, celebrado del 13 al 17 de septiembre de 2021. El taller estaba previsto que se llevara a cabo en Bilbao, España, pero se llevó a cabo virtualmente debido a la pandemia de COVID-19. Los 12 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 21 envÃos. Se centran en los siguientes temas: agrupación de datos temporales; Clasificación de Series Temporales Univariadas y Multivariadas; Co-agrupación de series temporales multivariadas; Detección eficiente de eventos; Modelado de Dependencias Temporales; Modelos Avanzados de Previsión y Predicción; Previsión basada en clústeres; Métodos de Explicación para la Clasificación de Series Temporales; Metaaprendizaje multimodal para regresión de series temporales; y detección de anomalÃas en series temporales multivariadas. . Nota de contenido: Oral Presentation -- Ranking by Aggregating Referees: Evaluating the Informativeness of Explanation Methods for Time Series Classification -- State Space approximation of Gaussian Processes for time-series forecasting -- Fast Channel Selection for Scalable Multivariate Time Series Classification -- Temporal phenotyping for characterisation of hospital care pathways of COVID patients -- A New Multivariate Time Series Co-clustering Non-Parametric Model Applied to Driving-Assistance Systems Validation -- TRAMESINO: Trainable Memory System for Intelligent Optimization of Road Traffic Control -- Detection of critical events in renewable energy production time series -- Poster Presentation -- Multimodal Meta-Learning for Time Series Regression -- Cluster-based Forecasting for Intermittent and Non-intermittent Time Series -- State discovery and prediction from multivariate sensor data -- RevDet: Robust and Memory Efficient Event Detection and Tracking in Large News Feeds -- From Univariate to Multivariate Time Series Anomaly Detection with Non-Local Information. En lÃnea: 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
TÃtulo : European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part I Tipo de documento: documento electrónico Autores: Berlingerio, Michele, ; Bonchi, Francesco, ; Gärtner, Thomas, ; Hurley, Neil, ; Ifrim, Georgiana, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XXXVIII, 740 p. 451 ilustraciones, 159 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-10925-7 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Procesamiento de datos Visión por computador Ciencias sociales Ordenadores Protección de datos MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Entornos informáticos Seguridad de datos e información Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; métodos de aprendizaje profundo; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; ADS de comercio electrónico; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: Adversarial Learning -- Image Anomaly Detection with Generative Adversarial Networks -- Image-to-Markup Generation via Paired Adversarial Learning -- Toward an Understanding of Adversarial Examples in Clinical Trials -- ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector -- Anomaly and Outlier Detection -- GridWatch: Sensor Placement and Anomaly Detection in the Electrical Grid -- Incorporating Privileged Information to Unsupervised Anomaly Detection -- L1-Depth Revisited: A Robust Angle-based Outlier Factor in High-dimensional Space -- Beyond Outlier Detection: LookOut for Pictorial Explanation -- Scalable and Interpretable One-class SVMs with Deep Learning and Random Fourier Features -- Group Anomaly Detection using Deep Generative Models -- Applications -- A Discriminative Model for Identifying Readers and Assessing Text Comprehension from Eye Movements -- Face-Cap: Image Captioning using Facial Expression Analysis -- Pedestrian Trajectory Prediction with Structured Memory Hierarchies -- Classification -- Multiple Instance Learning with Bag-level Randomized Trees -- One-class Quantification -- Deep F-Measure Maximization in Multi-Label Classification: A Comparative Study -- Ordinal Label Proportions -- AWX: An Integrated Approach to Hierarchical-Multilabel Classification -- Clustering and Unsupervised Learning -- Clustering in the Presence of Concept Drift -- Time Warp Invariant Dictionary Learning for Time Series Clustering -- How Your Supporters and Opponents Define Your Interestingness -- Deep Learning -- Efficient Decentralized Deep Learning by Dynamic Model Averaging -- Using Supervised Pretraining to Improve Generalization of Neural Networks on Binary Classification Problems -- Towards Efficient Forward Propagation on Resource-Constrained Systems -- Auxiliary Guided Autoregressive Variational Autoencoders -- Cooperative Multi-Agent Policy Gradient -- Parametric t-Distributed Stochastic Exemplar-centered Embedding -- Joint autoencoders: a flexible meta-learning framework -- Privacy Preserving Synthetic Data Release Using Deep Learning -- On Finer Control of Information Flow in LSTMs -- MaxGain: Regularisation of Neural Networks by Constraining Activation Magnitudes -- Ontology alignment based on word embedding and random forest classification -- Domain Adaption in One-Shot Learning -- Ensemble Methods -- Axiomatic Characterization of AdaBoost and the Multiplicative Weight Update Procedure -- Modular Dimensionality Reduction -- Constructive Aggregation and its Application to Forecasting with Dynamic Ensembles -- MetaBags: Bagged Meta-Decision Trees for Regression -- Evaluation -- Visualizing the Feature Importance for Black Box Models -- Efficient estimation of AUC in a sliding window -- Controlling and visualizing the precision-recall tradeoff for external performance indices -- Evaluation Procedures for Forecasting with Spatio-Temporal Data -- A Blended Metric for Multi-label Optimisation and Evaluation. En lÃnea: 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 European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part I [documento electrónico] / Berlingerio, Michele, ; Bonchi, Francesco, ; Gärtner, Thomas, ; Hurley, Neil, ; Ifrim, Georgiana, . - 1 ed. . - [s.l.] : Springer, 2019 . - XXXVIII, 740 p. 451 ilustraciones, 159 ilustraciones en color.
ISBN : 978-3-030-10925-7
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Procesamiento de datos Visión por computador Ciencias sociales Ordenadores Protección de datos MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Entornos informáticos Seguridad de datos e información Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; métodos de aprendizaje profundo; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; ADS de comercio electrónico; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: Adversarial Learning -- Image Anomaly Detection with Generative Adversarial Networks -- Image-to-Markup Generation via Paired Adversarial Learning -- Toward an Understanding of Adversarial Examples in Clinical Trials -- ShapeShifter: Robust Physical Adversarial Attack on Faster R-CNN Object Detector -- Anomaly and Outlier Detection -- GridWatch: Sensor Placement and Anomaly Detection in the Electrical Grid -- Incorporating Privileged Information to Unsupervised Anomaly Detection -- L1-Depth Revisited: A Robust Angle-based Outlier Factor in High-dimensional Space -- Beyond Outlier Detection: LookOut for Pictorial Explanation -- Scalable and Interpretable One-class SVMs with Deep Learning and Random Fourier Features -- Group Anomaly Detection using Deep Generative Models -- Applications -- A Discriminative Model for Identifying Readers and Assessing Text Comprehension from Eye Movements -- Face-Cap: Image Captioning using Facial Expression Analysis -- Pedestrian Trajectory Prediction with Structured Memory Hierarchies -- Classification -- Multiple Instance Learning with Bag-level Randomized Trees -- One-class Quantification -- Deep F-Measure Maximization in Multi-Label Classification: A Comparative Study -- Ordinal Label Proportions -- AWX: An Integrated Approach to Hierarchical-Multilabel Classification -- Clustering and Unsupervised Learning -- Clustering in the Presence of Concept Drift -- Time Warp Invariant Dictionary Learning for Time Series Clustering -- How Your Supporters and Opponents Define Your Interestingness -- Deep Learning -- Efficient Decentralized Deep Learning by Dynamic Model Averaging -- Using Supervised Pretraining to Improve Generalization of Neural Networks on Binary Classification Problems -- Towards Efficient Forward Propagation on Resource-Constrained Systems -- Auxiliary Guided Autoregressive Variational Autoencoders -- Cooperative Multi-Agent Policy Gradient -- Parametric t-Distributed Stochastic Exemplar-centered Embedding -- Joint autoencoders: a flexible meta-learning framework -- Privacy Preserving Synthetic Data Release Using Deep Learning -- On Finer Control of Information Flow in LSTMs -- MaxGain: Regularisation of Neural Networks by Constraining Activation Magnitudes -- Ontology alignment based on word embedding and random forest classification -- Domain Adaption in One-Shot Learning -- Ensemble Methods -- Axiomatic Characterization of AdaBoost and the Multiplicative Weight Update Procedure -- Modular Dimensionality Reduction -- Constructive Aggregation and its Application to Forecasting with Dynamic Ensembles -- MetaBags: Bagged Meta-Decision Trees for Regression -- Evaluation -- Visualizing the Feature Importance for Black Box Models -- Efficient estimation of AUC in a sliding window -- Controlling and visualizing the precision-recall tradeoff for external performance indices -- Evaluation Procedures for Forecasting with Spatio-Temporal Data -- A Blended Metric for Multi-label Optimisation and Evaluation. En lÃnea: 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
TÃtulo : European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part II Tipo de documento: documento electrónico Autores: Berlingerio, Michele, ; Bonchi, Francesco, ; Gärtner, Thomas, ; Hurley, Neil, ; Ifrim, Georgiana, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: XXX, 866 p. 463 ilustraciones, 192 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-10928-8 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Procesamiento de datos Visión por computador Ciencias sociales Ordenadores Protección de datos MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Entornos informáticos Seguridad de datos e información Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; métodos de aprendizaje profundo; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; ADS de comercio electrónico; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: Graphs -- Temporally Evolving Community Detection and Prediction in Content-Centric Networks -- Local Topological Data Analysis to Uncover the Global Structure of Data Approaching Graph-Structured Topologies -- Similarity Modeling on Heterogeneous Networks via Automatic Path Discovery -- Dynamic hierarchies in temporal directed networks -- Risk-Averse Matchings over Uncertain Graph Databases -- Discovering Urban Travel Demands through Dynamic Zone Correlation in Location-Based Social Networks -- Social-Affiliation Networks: Patterns and the SOAR Model -- ONE-M: Modeling the Co-evolution of Opinions and Network Connections -- Think before You Discard: Accurate Triangle Counting in Graph Streams with Deletions -- Semi-Supervised Blockmodelling with Pairwise Guidance -- Kernel Methods -- Large-scale Nonlinear Variable Selection via Kernel Random Features -- Fast and Provably Effective Multi-view Classification with Landmark-based SVM -- Nyström-SGD: Fast Learning of Kernel-Classifiers with Conditioned Stochastic Gradient Descent -- Learning Paradigms -- Hyperparameter Learning for Conditional Kernel Mean Embeddings with Rademacher Complexity Bounds -- Deep Learning Architecture Search by Neuro-Cell-based Evolution with Function-Preserving Mutations -- VC-Dimension Based Generalization Bounds for Relational Learning -- Robust Super-Level Set Estimation using Gaussian Processes -- Robust Super-Level Set Estimation using Gaussian Processes -- Scalable Nonlinear AUC Maximization Methods -- Matrix and Tensor Analysis -- Lambert Matrix Factorization -- Identifying and Alleviating Concept Drift in Streaming Tensor Decomposition -- MASAGA: A Linearly-Convergent Stochastic First-Order Method for Optimization on Manifolds -- Block CUR: Decomposing Matrices using Groups of Columns -- Online and Active Learning -- SpectralLeader: Online Spectral Learning for Single Topic Models -- Online Learning of Weighted Relational Rules for Complex Event Recognition -- Toward Interpretable Deep Reinforcement Learning with Linear Model U-Trees -- Online Feature Selection by Adaptive Sub-gradient Methods -- Frame-based Optimal Design -- Hierarchical Active Learning with Proportion Feedback on Regions -- Pattern and Sequence Mining -- An Efficient Algorithm for Computing Entropic Measures of Feature Subsets -- Anytime Subgroup Discovery in Numerical Domains with Guarantees -- Discovering Spatio-Temporal Latent Influence in Geographical Attention Dynamics -- Mining Periodic Patterns with a MDL Criterion -- Revisiting Conditional Functional Dependency Discovery: Splitting the "C" from the "FD" -- Sqn2Vec: Learning Sequence Representation via Sequential Patterns with a Gap Constraint -- Mining Tree Patterns with Partially Injective Homomorphisms -- Probabilistic Models and Statistical Methods -- Variational Bayes for Mixture Models with Censored Data -- Exploration Enhanced Expected Improvement for Bayesian Optimization -- A Left-to-right Algorithm for Likelihood Estimation in Gamma-Poisson Factor Analysis -- Causal Inference on Multivariate and Mixed-Type Data -- Recommender Systems -- POLAR: Attention-based CNN for One-shot Personalized Article Recommendation -- Learning Multi-granularity Dynamic Network Representations for Social Recommendation -- GeoDCF: Deep Collaborative Filtering with Multifaceted Contextual Information in Location-based Social Networks -- Personalized Thread Recommendation for MOOC Discussion Forums -- Inferring Continuous Latent Preference on Transition Intervals for Next Point-of-Interest Recommendation -- Transfer Learning -- Feature Selection for Unsupervised Domain Adaptation using Optimal Transport -- Towards more Reliable Transfer Learning -- Differentially Private Hypothesis Transfer Learning -- Information-theoretic Transfer Learning framework for Bayesian Optimisation -- A Unified Framework for Domain Adaptation using Metric Learning on Manifolds. En lÃnea: 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 European Conference, ECML PKDD 2018, Dublin, Ireland, September 10–14, 2018, Proceedings, Part II [documento electrónico] / Berlingerio, Michele, ; Bonchi, Francesco, ; Gärtner, Thomas, ; Hurley, Neil, ; Ifrim, Georgiana, . - 1 ed. . - [s.l.] : Springer, 2019 . - XXX, 866 p. 463 ilustraciones, 192 ilustraciones en color.
ISBN : 978-3-030-10928-8
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Procesamiento de datos Visión por computador Ciencias sociales Ordenadores Protección de datos MinerÃa de datos y descubrimiento de conocimientos Aplicación informática en ciencias sociales y del comportamiento Entornos informáticos Seguridad de datos e información Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Las actas de tres volúmenes LNAI 11051 – 11053 constituyen las actas arbitradas de la Conferencia Europea sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos, ECML PKDD 2018, celebrada en DublÃn, Irlanda, en septiembre de 2018. El total de 131 artÃculos regulares presentados en la parte I y la parte II fue cuidadosamente revisada y seleccionada entre 535 presentaciones; Hay 52 artÃculos en la sección de demostración, néctar y ciencia de datos aplicada. Las contribuciones se organizaron en secciones temáticas denominadas de la siguiente manera: Parte I: aprendizaje contradictorio; detección de anomalÃas y valores atÃpicos; aplicaciones; clasificación; agrupamiento y aprendizaje no supervisado; métodos de aprendizaje profundo; y evaluación. Parte II: gráficos; métodos del núcleo; paradigmas de aprendizaje; análisis matricial y tensorial; aprendizaje activo y en lÃnea; minerÃa de patrones y secuencias; modelos probabilÃsticos y métodos estadÃsticos; sistemas de recomendación; y transferir el aprendizaje. Parte III: Aplicaciones de ciencia de datos de ADS; ADS de comercio electrónico; IngenierÃa y diseño de ADS; ADS financieros y de seguridad; salud de los anuncios; detección y posicionamiento de ADS; pista de néctar; y pista de demostración. Nota de contenido: Graphs -- Temporally Evolving Community Detection and Prediction in Content-Centric Networks -- Local Topological Data Analysis to Uncover the Global Structure of Data Approaching Graph-Structured Topologies -- Similarity Modeling on Heterogeneous Networks via Automatic Path Discovery -- Dynamic hierarchies in temporal directed networks -- Risk-Averse Matchings over Uncertain Graph Databases -- Discovering Urban Travel Demands through Dynamic Zone Correlation in Location-Based Social Networks -- Social-Affiliation Networks: Patterns and the SOAR Model -- ONE-M: Modeling the Co-evolution of Opinions and Network Connections -- Think before You Discard: Accurate Triangle Counting in Graph Streams with Deletions -- Semi-Supervised Blockmodelling with Pairwise Guidance -- Kernel Methods -- Large-scale Nonlinear Variable Selection via Kernel Random Features -- Fast and Provably Effective Multi-view Classification with Landmark-based SVM -- Nyström-SGD: Fast Learning of Kernel-Classifiers with Conditioned Stochastic Gradient Descent -- Learning Paradigms -- Hyperparameter Learning for Conditional Kernel Mean Embeddings with Rademacher Complexity Bounds -- Deep Learning Architecture Search by Neuro-Cell-based Evolution with Function-Preserving Mutations -- VC-Dimension Based Generalization Bounds for Relational Learning -- Robust Super-Level Set Estimation using Gaussian Processes -- Robust Super-Level Set Estimation using Gaussian Processes -- Scalable Nonlinear AUC Maximization Methods -- Matrix and Tensor Analysis -- Lambert Matrix Factorization -- Identifying and Alleviating Concept Drift in Streaming Tensor Decomposition -- MASAGA: A Linearly-Convergent Stochastic First-Order Method for Optimization on Manifolds -- Block CUR: Decomposing Matrices using Groups of Columns -- Online and Active Learning -- SpectralLeader: Online Spectral Learning for Single Topic Models -- Online Learning of Weighted Relational Rules for Complex Event Recognition -- Toward Interpretable Deep Reinforcement Learning with Linear Model U-Trees -- Online Feature Selection by Adaptive Sub-gradient Methods -- Frame-based Optimal Design -- Hierarchical Active Learning with Proportion Feedback on Regions -- Pattern and Sequence Mining -- An Efficient Algorithm for Computing Entropic Measures of Feature Subsets -- Anytime Subgroup Discovery in Numerical Domains with Guarantees -- Discovering Spatio-Temporal Latent Influence in Geographical Attention Dynamics -- Mining Periodic Patterns with a MDL Criterion -- Revisiting Conditional Functional Dependency Discovery: Splitting the "C" from the "FD" -- Sqn2Vec: Learning Sequence Representation via Sequential Patterns with a Gap Constraint -- Mining Tree Patterns with Partially Injective Homomorphisms -- Probabilistic Models and Statistical Methods -- Variational Bayes for Mixture Models with Censored Data -- Exploration Enhanced Expected Improvement for Bayesian Optimization -- A Left-to-right Algorithm for Likelihood Estimation in Gamma-Poisson Factor Analysis -- Causal Inference on Multivariate and Mixed-Type Data -- Recommender Systems -- POLAR: Attention-based CNN for One-shot Personalized Article Recommendation -- Learning Multi-granularity Dynamic Network Representations for Social Recommendation -- GeoDCF: Deep Collaborative Filtering with Multifaceted Contextual Information in Location-based Social Networks -- Personalized Thread Recommendation for MOOC Discussion Forums -- Inferring Continuous Latent Preference on Transition Intervals for Next Point-of-Interest Recommendation -- Transfer Learning -- Feature Selection for Unsupervised Domain Adaptation using Optimal Transport -- Towards more Reliable Transfer Learning -- Differentially Private Hypothesis Transfer Learning -- Information-theoretic Transfer Learning framework for Bayesian Optimisation -- A Unified Framework for Domain Adaptation using Metric Learning on Manifolds. En lÃnea: 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
TÃtulo : European Conference, ECML PKDD 2020, Ghent, Belgium, September 14–18, 2020, Proceedings, Part V Tipo de documento: documento electrónico Autores: Dong, Yuxiao, ; Ifrim, Georgiana, ; Mladenić, Dunja, ; Saunders, Craig, ; Van Hoecke, Sofie, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2021 Número de páginas: XLII, 577 p. 205 ilustraciones, 181 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-67670-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Procesamiento de datos Aprendizaje automático Ciencias sociales IngenierÃa Informática Red de computadoras MinerÃa de datos y descubrimiento de conocimientos Computadoras y Educación Aplicación informática en ciencias sociales y del comportamiento IngenierÃa Informática y Redes Ãndice Dewey: 6.312 Resumen: Las actas de cinco volúmenes, LNAI 12457 hasta 12461, constituyen las actas arbitradas de la Conferencia europea sobre aprendizaje automático y descubrimiento de conocimiento en bases de datos, ECML PKDD 2020, que se celebró del 14 al 18 de septiembre de 2020. La conferencia estaba prevista para tener lugar en Gante, Bélgica, pero tuvo que cambiar a un formato online debido a la pandemia de COVID-19. Los 232 artÃculos completos y 10 artÃculos de demostración presentados en este volumen fueron cuidadosamente revisados ​​y seleccionados para su inclusión en las actas. Los volúmenes están organizados en secciones temáticas de la siguiente manera: Parte I: MinerÃa de patrones; agrupamiento; privacidad y equidad; análisis de redes (sociales) y ciencias sociales computacionales; reducción de dimensionalidad y codificadores automáticos; adaptación de dominio; bocetos, muestreos y proyecciones binarias; modelos gráficos y causalidad; datos (espatio-)temporales y redes neuronales recurrentes; filtrado colaborativo y finalización de matrices. Parte II: optimización y teorÃa del aprendizaje profundo; aprendizaje activo; aprendizaje adversario; aprendizaje federado; Métodos kernel y aprendizaje en lÃnea; aprendizaje parcial de etiquetas; aprendizaje reforzado; transferencia y aprendizaje multitarea; Optimización bayesiana y aprendizaje de pocas oportunidades. Parte III: Optimización combinatoria; optimización a gran escala y privacidad diferencial; métodos de refuerzo y conjunto; métodos bayesianos; arquitectura de redes neuronales; graficar redes neuronales; procesos gaussianos; visión por ordenador y procesamiento de imágenes; procesamiento natural del lenguaje; bioinformática. Parte IV: ciencia de datos aplicada: recomendación; ciencia de datos aplicada: detección de anomalÃas; ciencia de datos aplicada: minerÃa web; ciencia de datos aplicada: transporte; ciencia de datos aplicada: reconocimiento de actividades; ciencia de datos aplicada: hardware y fabricación; Ciencia de datos aplicada: datos espaciotemporales. Parte V: ciencia de datos aplicada: bien social; ciencia de datos aplicada: asistencia sanitaria; ciencia de datos aplicada: comercio electrónico y finanzas; ciencia de datos aplicada: ciencia social computacional; ciencia de datos aplicada: deportes; pista de demostración. . Nota de contenido: Applied data science: recommendation -- applied data science: anomaly detection -- applied data science: Web mining -- applied data science: transportation -- applied data science: activity recognition -- applied data science: hardware and manufacturing -- applied data science: spatiotemporal data. En lÃnea: 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 European Conference, ECML PKDD 2020, Ghent, Belgium, September 14–18, 2020, Proceedings, Part V [documento electrónico] / Dong, Yuxiao, ; Ifrim, Georgiana, ; Mladenić, Dunja, ; Saunders, Craig, ; Van Hoecke, Sofie, . - 1 ed. . - [s.l.] : Springer, 2021 . - XLII, 577 p. 205 ilustraciones, 181 ilustraciones en color.
ISBN : 978-3-030-67670-4
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 Aprendizaje automático Ciencias sociales IngenierÃa Informática Red de computadoras MinerÃa de datos y descubrimiento de conocimientos Computadoras y Educación Aplicación informática en ciencias sociales y del comportamiento IngenierÃa Informática y Redes Ãndice Dewey: 6.312 Resumen: Las actas de cinco volúmenes, LNAI 12457 hasta 12461, constituyen las actas arbitradas de la Conferencia europea sobre aprendizaje automático y descubrimiento de conocimiento en bases de datos, ECML PKDD 2020, que se celebró del 14 al 18 de septiembre de 2020. La conferencia estaba prevista para tener lugar en Gante, Bélgica, pero tuvo que cambiar a un formato online debido a la pandemia de COVID-19. Los 232 artÃculos completos y 10 artÃculos de demostración presentados en este volumen fueron cuidadosamente revisados ​​y seleccionados para su inclusión en las actas. Los volúmenes están organizados en secciones temáticas de la siguiente manera: Parte I: MinerÃa de patrones; agrupamiento; privacidad y equidad; análisis de redes (sociales) y ciencias sociales computacionales; reducción de dimensionalidad y codificadores automáticos; adaptación de dominio; bocetos, muestreos y proyecciones binarias; modelos gráficos y causalidad; datos (espatio-)temporales y redes neuronales recurrentes; filtrado colaborativo y finalización de matrices. Parte II: optimización y teorÃa del aprendizaje profundo; aprendizaje activo; aprendizaje adversario; aprendizaje federado; Métodos kernel y aprendizaje en lÃnea; aprendizaje parcial de etiquetas; aprendizaje reforzado; transferencia y aprendizaje multitarea; Optimización bayesiana y aprendizaje de pocas oportunidades. Parte III: Optimización combinatoria; optimización a gran escala y privacidad diferencial; métodos de refuerzo y conjunto; métodos bayesianos; arquitectura de redes neuronales; graficar redes neuronales; procesos gaussianos; visión por ordenador y procesamiento de imágenes; procesamiento natural del lenguaje; bioinformática. Parte IV: ciencia de datos aplicada: recomendación; ciencia de datos aplicada: detección de anomalÃas; ciencia de datos aplicada: minerÃa web; ciencia de datos aplicada: transporte; ciencia de datos aplicada: reconocimiento de actividades; ciencia de datos aplicada: hardware y fabricación; Ciencia de datos aplicada: datos espaciotemporales. Parte V: ciencia de datos aplicada: bien social; ciencia de datos aplicada: asistencia sanitaria; ciencia de datos aplicada: comercio electrónico y finanzas; ciencia de datos aplicada: ciencia social computacional; ciencia de datos aplicada: deportes; pista de demostración. . Nota de contenido: Applied data science: recommendation -- applied data science: anomaly detection -- applied data science: Web mining -- applied data science: transportation -- applied data science: activity recognition -- applied data science: hardware and manufacturing -- applied data science: spatiotemporal data. En lÃnea: 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
