Título :	Computational Methods for Deep Learning : Theoretic, Practice and Applications
Tipo de documento:	documento electrónico
Autores:	Yan, Wei Qi, Autor
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2021
Número de páginas:	XVII, 134 p. 23 ilustraciones, 22 ilustraciones en color.
ISBN/ISSN/DL:	978-3-030-61081-4
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 imágenes  Visión por computador  Aprendizaje automático  Informática  Inteligencia artificial  Redes neuronales (Informática)  Imágenes por computadora  visión  reconocimiento de patrones y gráficos  Matemáticas de la Computación  Modelos matemáticos de procesos cognitivos y redes neuronales
Índice Dewey:	6
Resumen:	Al integrar conceptos de aprendizaje profundo, aprendizaje automático y redes neuronales artificiales, este libro de texto único presenta el contenido progresivamente de fácil a más complejo, orientando su contenido hacia la transferencia de conocimiento desde el punto de vista de la inteligencia artificial. Adopta la metodología de la teoría gráfica, modelos matemáticos e implementación algorítmica, además de cubrir la preparación, programación, análisis de resultados y evaluaciones de conjuntos de datos. Comenzando con una base sobre las redes neuronales artificiales con neuronas y las funciones de activación, el trabajo explica el mecanismo del aprendizaje profundo utilizando matemáticas avanzadas. En particular, enfatiza cómo utilizar TensorFlow y las últimas cajas de herramientas de aprendizaje profundo de MATLAB para implementar algoritmos de aprendizaje profundo. Como requisito previo, los lectores deben tener una comprensión sólida, especialmente de análisis matemático, álgebra lineal, análisis numérico, optimizaciones, geometría diferencial, teoría de variedades y de la información, así como álgebra básica, análisis funcional y modelos gráficos. Este conocimiento computacional ayudará a comprender el tema no solo de este texto/referencia, sino también de artículos de revistas y artículos de conferencias relevantes sobre aprendizaje profundo. Este libro de texto/guía está dirigido a estudiantes e ingenieros de investigación en Ciencias de la Computación, así como a científicos interesados ​​en el aprendizaje profundo para la investigación y el análisis teóricos. En términos más generales, este libro también es útil para aquellos investigadores interesados ​​en la inteligencia artificial, el análisis de patrones, el procesamiento del lenguaje natural y la visión artificial. El Dr. Wei Qi Yan es profesor asociado en el Departamento de Ciencias de la Computación de la Universidad Tecnológica de Auckland, Nueva Zelanda. Sus otras publicaciones incluyen el título de Springer, Criptografía visual para seguridad y procesamiento de imágenes. .
Nota de contenido:	1. Introduction -- 2. Deep Learning Platforms -- 3. CNN and RNN -- 4. Autoencoder and GAN -- 5. Reinforcement Learning -- 6. CapsNet and Manifold Learning -- 7. Boltzmann Machines -- 8. Transfer Learning and Ensemble 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

Computational Methods for Deep Learning : Theoretic, Practice and Applications [documento electrónico] / Yan, Wei Qi, Autor  . -  1 ed.  . - [s.l.] : Springer, 2021 . - XVII, 134 p. 23 ilustraciones, 22 ilustraciones en color.
ISBN : 978-3-030-61081-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Procesamiento de imágenes  Visión por computador  Aprendizaje automático  Informática  Inteligencia artificial  Redes neuronales (Informática)  Imágenes por computadora  visión  reconocimiento de patrones y gráficos  Matemáticas de la Computación  Modelos matemáticos de procesos cognitivos y redes neuronales
Índice Dewey:	6
Resumen:	Al integrar conceptos de aprendizaje profundo, aprendizaje automático y redes neuronales artificiales, este libro de texto único presenta el contenido progresivamente de fácil a más complejo, orientando su contenido hacia la transferencia de conocimiento desde el punto de vista de la inteligencia artificial. Adopta la metodología de la teoría gráfica, modelos matemáticos e implementación algorítmica, además de cubrir la preparación, programación, análisis de resultados y evaluaciones de conjuntos de datos. Comenzando con una base sobre las redes neuronales artificiales con neuronas y las funciones de activación, el trabajo explica el mecanismo del aprendizaje profundo utilizando matemáticas avanzadas. En particular, enfatiza cómo utilizar TensorFlow y las últimas cajas de herramientas de aprendizaje profundo de MATLAB para implementar algoritmos de aprendizaje profundo. Como requisito previo, los lectores deben tener una comprensión sólida, especialmente de análisis matemático, álgebra lineal, análisis numérico, optimizaciones, geometría diferencial, teoría de variedades y de la información, así como álgebra básica, análisis funcional y modelos gráficos. Este conocimiento computacional ayudará a comprender el tema no solo de este texto/referencia, sino también de artículos de revistas y artículos de conferencias relevantes sobre aprendizaje profundo. Este libro de texto/guía está dirigido a estudiantes e ingenieros de investigación en Ciencias de la Computación, así como a científicos interesados ​​en el aprendizaje profundo para la investigación y el análisis teóricos. En términos más generales, este libro también es útil para aquellos investigadores interesados ​​en la inteligencia artificial, el análisis de patrones, el procesamiento del lenguaje natural y la visión artificial. El Dr. Wei Qi Yan es profesor asociado en el Departamento de Ciencias de la Computación de la Universidad Tecnológica de Auckland, Nueva Zelanda. Sus otras publicaciones incluyen el título de Springer, Criptografía visual para seguridad y procesamiento de imágenes. .
Nota de contenido:	1. Introduction -- 2. Deep Learning Platforms -- 3. CNN and RNN -- 4. Autoencoder and GAN -- 5. Reinforcement Learning -- 6. CapsNet and Manifold Learning -- 7. Boltzmann Machines -- 8. Transfer Learning and Ensemble 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