Neural Networks and Deep Learning

Charu C. Aggarwal
Descargar PDF

Este libro cubre los modelos clásicos y modernos en el aprendizaje profundo. Los capítulos de este libro abarcan tres categorías: Los fundamentos de las redes neuronales: muchos modelos tradicionales de aprendizaje automático pueden entenderse como casos especiales de redes neuronales. En los primeros dos capítulos se hace hincapié en comprender la relación entre el aprendizaje automático tradicional y las redes neuronales. Las máquinas de vectores de soporte, la regresión lineal / logística, la descomposición de valores singulares, la factorización matricial y los sistemas de recomendación son casos especiales de redes neuronales. Estos métodos se estudian junto con métodos recientes de ingeniería de características como word2vec. Fundamentos de las redes neuronales: en los capítulos 3 y 4 se proporciona una discusión detallada de la capacitación y la regularización. Los capítulos 5 y 6 presentan redes de función de base radial (RBF) y máquinas de Boltzmann restringidas. Temas avanzados en redes neuronales: los capítulos 7 y 8 discuten las redes neuronales recurrentes y las redes neuronales convolucionales. En los capítulos 9 y 10 se presentan varios temas avanzados como el aprendizaje de refuerzo profundo, las máquinas neuronales de Turing, los mapas autoorganizados de Kohonen y las redes de confrontación generativas. El libro está escrito para estudiantes graduados, investigadores y profesionales. Numerosos ejercicios están disponibles junto con un manual de soluciones para ayudar en la enseñanza en el aula. Siempre que sea posible, se resalta una vista centrada en la aplicación para proporcionar una comprensión de los usos prácticos de cada clase de técnicas.

Automated Machine Learning

 

Automated Machine Learning Methods, Systems, Challenges, Frank HutterLars KotthoffJoaquin Vanschoren
Descargar PDF

Este libro de acceso abierto presenta la primera descripción completa de los métodos generales en el aprendizaje automático automatizado (AutoML), recopila descripciones de los sistemas existentes basados ​​en estos métodos y analiza la primera serie de desafíos internacionales de los sistemas AutoML. El reciente éxito de las aplicaciones comerciales de ML y el rápido crecimiento del campo ha creado una gran demanda de métodos de ML listos para usar que se pueden usar fácilmente y sin el conocimiento de expertos. Sin embargo, muchos de los éxitos recientes del aprendizaje automático dependen fundamentalmente de expertos humanos, que seleccionan manualmente las arquitecturas de ML apropiadas (arquitecturas de aprendizaje profundo o flujos de trabajo de ML más tradicionales) y sus hiperparámetros. Para superar este problema, el campo de AutoML apunta a una automatización progresiva del aprendizaje automático, basada en los principios de la optimización y el aprendizaje automático. Este libro sirve como un punto de entrada en este campo de rápido desarrollo para investigadores y estudiantes avanzados por igual, además de proporcionar una referencia para los profesionales que desean utilizar AutoML en su trabajo.