Título :	Human and Machine Learning : Visible, Explainable, Trustworthy and Transparent
Tipo de documento:	documento electrónico
Autores:	Zhou, Jianlong, ; Chen, Fang,
Mención de edición:	1 ed.
Editorial:	[s.l.] : Springer
Fecha de publicación:	2018
Número de páginas:	XXIII, 482 p. 140 ilustraciones, 114 ilustraciones en color.
ISBN/ISSN/DL:	978-3-319-90403-0
Nota general:	Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave:	Interfaces de usuario e interacción persona-computadora  Inteligencia artificial  Reconocimiento de patrones automatizado  Interfaces de usuario (sistemas informáticos)  Sistemas de reconocimiento de patrones  La interacción persona-ordenador
Índice Dewey:	5.437
Resumen:	Con un avance evolutivo de los algoritmos de aprendizaje automático (ML), un rápido aumento de los volúmenes de datos y una mejora significativa de la potencia de cálculo, el aprendizaje automático se vuelve popular en diferentes aplicaciones. Sin embargo, debido a la naturaleza de la "caja negra" en los métodos de aprendizaje automático, el aprendizaje automático aún debe interpretarse para vincular el aprendizaje humano y el automático para lograr transparencia y aceptación por parte de los usuarios de las soluciones entregadas. Este libro editado aborda dichos vínculos desde las perspectivas de visualización, explicación, confiabilidad y transparencia. El libro establece el vínculo entre el aprendizaje humano y automático al explorar la transparencia en el aprendizaje automático, la explicación visual de los procesos de ML, la explicación algorítmica de los modelos de ML, las respuestas cognitivas humanas en la toma de decisiones basadas en ML, la evaluación humana del aprendizaje automático y el conocimiento del dominio en el ML transparente. aplicaciones. Este es el primer libro de este tipo que comprende sistemáticamente las actividades y resultados de investigación activa actuales relacionados con el aprendizaje humano y automático. El libro no solo inspirará a los investigadores a desarrollar apasionadamente nuevos algoritmos que incorporen algoritmos de ML centrados en humanos, lo que dará como resultado el avance general del ML, sino que también ayudará a los profesionales del ML a utilizar proactivamente los resultados del ML para una toma de decisiones informativa y confiable. Este libro está dirigido a investigadores y profesionales involucrados con el aprendizaje automático y sus aplicaciones. El libro beneficiará especialmente a los investigadores en áreas como la inteligencia artificial, los sistemas de apoyo a la toma de decisiones y la interacción persona-computadora.
Nota de contenido:	Part I Transparency in Machine Learning -- Part II Visual Explanation of Machine Learning Process -- Part III Algorithmic Explanation of Machine Learning Models -- Part IV User Cognitive Responses in ML-Based Decision Making -- Part V Human and Evaluation of Machine Learning -- Part VI Domain Knowledge in Transparent Machine Learning Applications.
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

Human and Machine Learning : Visible, Explainable, Trustworthy and Transparent [documento electrónico] / Zhou, Jianlong, ; Chen, Fang,  . -  1 ed.  . - [s.l.] : Springer, 2018 . - XXIII, 482 p. 140 ilustraciones, 114 ilustraciones en color.
ISBN : 978-3-319-90403-0
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.

Palabras clave:	Interfaces de usuario e interacción persona-computadora  Inteligencia artificial  Reconocimiento de patrones automatizado  Interfaces de usuario (sistemas informáticos)  Sistemas de reconocimiento de patrones  La interacción persona-ordenador
Índice Dewey:	5.437
Resumen:	Con un avance evolutivo de los algoritmos de aprendizaje automático (ML), un rápido aumento de los volúmenes de datos y una mejora significativa de la potencia de cálculo, el aprendizaje automático se vuelve popular en diferentes aplicaciones. Sin embargo, debido a la naturaleza de la "caja negra" en los métodos de aprendizaje automático, el aprendizaje automático aún debe interpretarse para vincular el aprendizaje humano y el automático para lograr transparencia y aceptación por parte de los usuarios de las soluciones entregadas. Este libro editado aborda dichos vínculos desde las perspectivas de visualización, explicación, confiabilidad y transparencia. El libro establece el vínculo entre el aprendizaje humano y automático al explorar la transparencia en el aprendizaje automático, la explicación visual de los procesos de ML, la explicación algorítmica de los modelos de ML, las respuestas cognitivas humanas en la toma de decisiones basadas en ML, la evaluación humana del aprendizaje automático y el conocimiento del dominio en el ML transparente. aplicaciones. Este es el primer libro de este tipo que comprende sistemáticamente las actividades y resultados de investigación activa actuales relacionados con el aprendizaje humano y automático. El libro no solo inspirará a los investigadores a desarrollar apasionadamente nuevos algoritmos que incorporen algoritmos de ML centrados en humanos, lo que dará como resultado el avance general del ML, sino que también ayudará a los profesionales del ML a utilizar proactivamente los resultados del ML para una toma de decisiones informativa y confiable. Este libro está dirigido a investigadores y profesionales involucrados con el aprendizaje automático y sus aplicaciones. El libro beneficiará especialmente a los investigadores en áreas como la inteligencia artificial, los sistemas de apoyo a la toma de decisiones y la interacción persona-computadora.
Nota de contenido:	Part I Transparency in Machine Learning -- Part II Visual Explanation of Machine Learning Process -- Part III Algorithmic Explanation of Machine Learning Models -- Part IV User Cognitive Responses in ML-Based Decision Making -- Part V Human and Evaluation of Machine Learning -- Part VI Domain Knowledge in Transparent Machine Learning Applications.
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