| Título : |
Evolutionary Learning: Advances in Theories and Algorithms |
| Tipo de documento: |
documento electrónico |
| Autores: |
Zhou, Zhi-Hua, Autor ; Yu, Yang, Autor ; Qian, Chao, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2019 |
| Número de páginas: |
XII, 361 p. 59 ilustraciones, 20 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1359569-- |
| 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 Algoritmos Informática Aplicaciones matemáticas en informática |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Muchas tareas de aprendizaje automático implican resolver problemas de optimización complejos, como trabajar en funciones objetivo no diferenciables, no continuas y no únicas; en algunos casos puede resultar difícil incluso definir una función objetivo explícita. El aprendizaje evolutivo aplica algoritmos evolutivos para abordar problemas de optimización en el aprendizaje automático y ha arrojado resultados alentadores en muchas aplicaciones. Sin embargo, debido a la naturaleza heurística de la optimización evolutiva, la mayoría de los resultados hasta la fecha han sido empíricos y carecen de respaldo teórico. Esta deficiencia ha impedido que el aprendizaje evolutivo sea bien recibido en la comunidad de aprendizaje automático, que favorece enfoques teóricos sólidos. Recientemente se han realizado esfuerzos considerables para abordar esta cuestión. Este libro presenta una variedad de esos esfuerzos, divididos en cuatro partes. La Parte I presenta brevemente a los lectores el aprendizaje evolutivo y proporciona algunos preliminares, mientras que la Parte II presenta herramientas teóricas generales para el análisis del tiempo de ejecución y el rendimiento de aproximación en algoritmos evolutivos. Con base en estas herramientas generales, la Parte III presenta una serie de hallazgos teóricos sobre factores importantes en la optimización evolutiva, como la recombinación, la representación, la evaluación inexacta de la aptitud y la población. Para concluir, la Parte IV aborda el desarrollo de algoritmos de aprendizaje evolutivo con garantías teóricas demostrables para varias tareas representativas, en las que el aprendizaje evolutivo ofrece un rendimiento excelente. . |
| Nota de contenido: |
1.Introduction -- 2. Preliminaries -- 3. Running Time Analysis: Convergence-based Analysis -- 4. Running Time Analysis: Switch Analysis -- 5. Running Time Analysis: Comparison and Unification -- 6. Approximation Analysis: SEIP -- 7. Boundary Problems of EAs -- 8. Recombination -- 9. Representation -- 10. Inaccurate Fitness Evaluation -- 11. Population -- 12. Constrained Optimization -- 13. Selective Ensemble -- 14. Subset Selection -- 15. Subset Selection: k-Submodular Maximization -- 16. Subset Selection: Ratio Minimization -- 17. Subset Selection: Noise -- 18. Subset Selection: Acceleration. . |
| 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 |
Evolutionary Learning: Advances in Theories and Algorithms [documento electrónico] / Zhou, Zhi-Hua, Autor ; Yu, Yang, Autor ; Qian, Chao, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2019 . - XII, 361 p. 59 ilustraciones, 20 ilustraciones en color. ISBN : 978-981-1359569-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Inteligencia artificial Algoritmos Informática Aplicaciones matemáticas en informática |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Muchas tareas de aprendizaje automático implican resolver problemas de optimización complejos, como trabajar en funciones objetivo no diferenciables, no continuas y no únicas; en algunos casos puede resultar difícil incluso definir una función objetivo explícita. El aprendizaje evolutivo aplica algoritmos evolutivos para abordar problemas de optimización en el aprendizaje automático y ha arrojado resultados alentadores en muchas aplicaciones. Sin embargo, debido a la naturaleza heurística de la optimización evolutiva, la mayoría de los resultados hasta la fecha han sido empíricos y carecen de respaldo teórico. Esta deficiencia ha impedido que el aprendizaje evolutivo sea bien recibido en la comunidad de aprendizaje automático, que favorece enfoques teóricos sólidos. Recientemente se han realizado esfuerzos considerables para abordar esta cuestión. Este libro presenta una variedad de esos esfuerzos, divididos en cuatro partes. La Parte I presenta brevemente a los lectores el aprendizaje evolutivo y proporciona algunos preliminares, mientras que la Parte II presenta herramientas teóricas generales para el análisis del tiempo de ejecución y el rendimiento de aproximación en algoritmos evolutivos. Con base en estas herramientas generales, la Parte III presenta una serie de hallazgos teóricos sobre factores importantes en la optimización evolutiva, como la recombinación, la representación, la evaluación inexacta de la aptitud y la población. Para concluir, la Parte IV aborda el desarrollo de algoritmos de aprendizaje evolutivo con garantías teóricas demostrables para varias tareas representativas, en las que el aprendizaje evolutivo ofrece un rendimiento excelente. . |
| Nota de contenido: |
1.Introduction -- 2. Preliminaries -- 3. Running Time Analysis: Convergence-based Analysis -- 4. Running Time Analysis: Switch Analysis -- 5. Running Time Analysis: Comparison and Unification -- 6. Approximation Analysis: SEIP -- 7. Boundary Problems of EAs -- 8. Recombination -- 9. Representation -- 10. Inaccurate Fitness Evaluation -- 11. Population -- 12. Constrained Optimization -- 13. Selective Ensemble -- 14. Subset Selection -- 15. Subset Selection: k-Submodular Maximization -- 16. Subset Selection: Ratio Minimization -- 17. Subset Selection: Noise -- 18. Subset Selection: Acceleration. . |
| 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 |
|  |
Evolutionary Learning: Advances in Theories and Algorithms
