| Título : |
Evolutionary Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks |
| Tipo de documento: |
documento electrónico |
| Autores: |
Iba, Hitoshi, Autor |
| Mención de edición: |
1 ed. |
| Editorial: |
Singapore [Malasya] : Springer |
| Fecha de publicación: |
2018 |
| Número de páginas: |
XIII, 245 p. 127 ilustraciones, 84 ilustraciones en color. |
| ISBN/ISSN/DL: |
978-981-1302008-- |
| 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 Bioinformática Biomatemáticas Inteligencia Computacional Biología Matemática y Computacional |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro proporciona conocimientos teóricos y prácticos sobre una metodología para una estrategia de búsqueda basada en algoritmos evolutivos con la integración de varias técnicas de aprendizaje automático y aprendizaje profundo. Estos incluyen redes neuronales convolucionales, bases de Gröbner, máquinas de vectores de relevancia, aprendizaje por transferencia, métodos de embolsado e impulso, técnicas de agrupamiento (propagación por afinidad) y redes de creencias, entre otros. El desarrollo de este tipo de herramientas contribuye a optimizar mejor las metodologías. Comenzando con los fundamentos de los algoritmos evolutivos y cubriendo temas de investigación interdisciplinarios, el contenido de este libro es valioso para diferentes clases de lectores: principiantes, intermedios y también lectores expertos de campos relacionados. Después de los capítulos sobre introducción y métodos básicos, el Capítulo 3 detalla una nueva dirección de investigación, es decir, la neuroevolución, un método evolutivo para la generación de redes neuronales profundas, y también describe cómo los métodos evolutivos se extienden en combinación con técnicas de aprendizaje automático. El Capítulo 4 incluye métodos novedosos como la optimización de enjambres de partículas basada en la propagación por afinidad (PSOAP) y el aprendizaje por transferencia para la evolución diferencial (TRADE), otro enfoque de aprendizaje automático para ampliar la evolución diferencial. El último capítulo está dedicado al estado del arte en la investigación de redes reguladoras de genes (GRN) como uno de los campos de investigación más interesantes y activos. El autor describe una red de reacción en evolución, que amplía la metodología de la neuroevolución para producir un tipo de red genética adecuada para sistemas bioquímicos y ha logrado diseñar circuitos genéticos en biología sintética. El autor también presenta la aplicación de GRN en el mundo real a varias tareas de inteligencia artificial, proponiendo un marco de generación de movimiento mediante GRN (MONGERN), que hace evolucionar a los GRN para operar un robot humanoide real. |
| Nota de contenido: |
Introduction -- Meta-heuristics, machine learning and deep learning methods -- Evolutionary approach to deep learning -- Machine learning approach to evolutionary computation -- Evolutionary approach to gene regulatory networks -- Conclusion. |
| 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 Approach to Machine Learning and Deep Neural Networks : Neuro-Evolution and Gene Regulatory Networks [documento electrónico] / Iba, Hitoshi, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2018 . - XIII, 245 p. 127 ilustraciones, 84 ilustraciones en color. ISBN : 978-981-1302008-- Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
| Palabras clave: |
Inteligencia artificial Bioinformática Biomatemáticas Inteligencia Computacional Biología Matemática y Computacional |
| Índice Dewey: |
006.3 Inteligencia artificial |
| Resumen: |
Este libro proporciona conocimientos teóricos y prácticos sobre una metodología para una estrategia de búsqueda basada en algoritmos evolutivos con la integración de varias técnicas de aprendizaje automático y aprendizaje profundo. Estos incluyen redes neuronales convolucionales, bases de Gröbner, máquinas de vectores de relevancia, aprendizaje por transferencia, métodos de embolsado e impulso, técnicas de agrupamiento (propagación por afinidad) y redes de creencias, entre otros. El desarrollo de este tipo de herramientas contribuye a optimizar mejor las metodologías. Comenzando con los fundamentos de los algoritmos evolutivos y cubriendo temas de investigación interdisciplinarios, el contenido de este libro es valioso para diferentes clases de lectores: principiantes, intermedios y también lectores expertos de campos relacionados. Después de los capítulos sobre introducción y métodos básicos, el Capítulo 3 detalla una nueva dirección de investigación, es decir, la neuroevolución, un método evolutivo para la generación de redes neuronales profundas, y también describe cómo los métodos evolutivos se extienden en combinación con técnicas de aprendizaje automático. El Capítulo 4 incluye métodos novedosos como la optimización de enjambres de partículas basada en la propagación por afinidad (PSOAP) y el aprendizaje por transferencia para la evolución diferencial (TRADE), otro enfoque de aprendizaje automático para ampliar la evolución diferencial. El último capítulo está dedicado al estado del arte en la investigación de redes reguladoras de genes (GRN) como uno de los campos de investigación más interesantes y activos. El autor describe una red de reacción en evolución, que amplía la metodología de la neuroevolución para producir un tipo de red genética adecuada para sistemas bioquímicos y ha logrado diseñar circuitos genéticos en biología sintética. El autor también presenta la aplicación de GRN en el mundo real a varias tareas de inteligencia artificial, proponiendo un marco de generación de movimiento mediante GRN (MONGERN), que hace evolucionar a los GRN para operar un robot humanoide real. |
| Nota de contenido: |
Introduction -- Meta-heuristics, machine learning and deep learning methods -- Evolutionary approach to deep learning -- Machine learning approach to evolutionary computation -- Evolutionary approach to gene regulatory networks -- Conclusion. |
| 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 Approach to Machine Learning and Deep Neural Networks
