Descripción
El notable progreso en la visión artificial en los últimos años se atribuye, en gran medida, al aprendizaje profundo, impulsado por la disponibilidad de enormes conjuntos de datos etiquetados y combinado con el crecimiento explosivo del paradigma de la GPU. Si bien suscribe esta opinión, este trabajo critica el supuesto progreso científico en el campo y propone la investigación de la visión dentro del marco de las leyes de la naturaleza basadas en la información.
Este trabajo plantea preguntas fundamentales sobre la visión que aún están lejos de ser comprendidas, llevando al lector a un viaje poblado de desafíos novedosos que resuenan con los fundamentos del aprendizaje automático. La tesis central propuesta es que, para una comprensión más profunda de los procesos computacionales visuales, es necesario mirar más allá de las aplicaciones de los algoritmos de aprendizaje automático de propósito general y centrarse, en cambio, en teorías de aprendizaje apropiadas que tengan en cuenta la naturaleza espacio-temporal de la señal visual.
Sirviendo para inspirar y estimular la reflexión crítica y la discusión, pero sin requerir conocimientos técnicos avanzados previos, el texto se puede combinar naturalmente con libros de texto clásicos sobre visión artificial para enmarcar mejor el estado del arte actual, los problemas abiertos y las posibles soluciones novedosas. Como tal, será de gran beneficio para estudiantes de posgrado y de pregrado avanzado en ciencias de la computación, neurociencia computacional, física y otras disciplinas relacionadas.
Autor: Alessandro Betti, Marco Gori, Stefano Melacci
Editorial: Springer
Publicado: 27/04/2022
Páginas: 105
Tipo de encuadernación: Tapa blanda
Peso: 0.39lbs
Tamaño: 9.21h x 6.14w x 0.25d
ISBN13: 9783030909864
ISBN10: 3030909867
Categorías BISAC:
- Informática | Desarrollo e Ingeniería de Software | Gráficos por Computadora
- Informática | Inteligencia Artificial | General
- Medicina | Neurociencia
Acerca del autor
Marco Gori recibió su doctorado en 1990 de la Università di Bologna, Italia, trabajando en parte en la Escuela de Ciencias de la Computación (Universidad McGill, Montreal). En 1992, se convirtió en profesor asociado de Ciencias de la Computación en la Università di Firenze y, en noviembre de 1995, actualmente dirige el Laboratorio de Inteligencia Artificial de Siena (SAILAB).
El profesor Gori está principalmente interesado en el aprendizaje automático con aplicaciones al reconocimiento de patrones, la minería web, el juego y la bioinformática. Recientemente publicó la monografía "Machine Learning: A constraint-based approach" (MK, 560 pp., 2018), que contiene una visión unificada de su enfoque. Su papel pionero en las redes neuronales ha emergido especialmente del reciente interés en las redes neuronales de grafos (Graph Neural Networks), que él contribuyó a introducir en el artículo seminal "Graph Neural Networks", IEEE-TNN, 2009.
El profesor Gori ha sido presidente del Capítulo Italiano de la Sociedad de Inteligencia Computacional del IEEE y presidente de la Asociación Italiana de Inteligencia Artificial. Es miembro del IEEE, miembro de EurAI y miembro de la IAPR. Fue una de las primeras personas involucradas en el proyecto europeo sobre Inteligencia Artificial CLAIRE, y actualmente es miembro de la asociación de Aprendizaje Automático ELLIS. Forma parte del comité científico de ICAR-CNR y es presidente del Comité Científico de FBK-ICT. El Dr. Gori ocupa actualmente una Cátedra internacional 3IA en la Université Côte d'Azur.
Alessandro Betti obtuvo la maestría en Física Teórica en 2016 de la Universidad de Pisa, Italia, y el doctorado en Ciencias de la Computación (Smart Computing) en 2020, otorgado conjuntamente por las Universidades de Florencia, Pisa y Siena. Actualmente es investigador postdoctoral del Departamento de Ingeniería de la Información y Matemáticas de la Universidad de Siena. Sus principales intereses de investigación se centran en el aprendizaje automático, específicamente la formulación de una clase de problemas de aprendizaje que poseen una incrustación temporal natural utilizando el formalismo del Cálculo de Variaciones (con aplicaciones al aprendizaje en línea, el aprendizaje continuo a partir de transmisiones de video y la visión por computadora).
Stefano Melacci es profesor asociado en el Departamento de Ingeniería de la Información y Matemáticas de la Universidad de Siena (Siena, Italia), donde obtuvo su doctorado (2010) y la maestría (cum Laude) en Ingeniería Informática. Trabajó como investigador en la Academia y en la Industria (QuestIT S.r.l., Italia), y fue científico visitante en la Universidad Estatal de Ohio, Columbus (OH), EE. UU. Su perfil se caracteriza fuertemente por la actividad de investigación en el campo del aprendizaje automático y, en general, en la inteligencia artificial. Recientemente, se centró en el problema del aprendizaje continuo a partir de transmisiones de video, estudiando el papel del movimiento y la atención. Contribuyó al marco unificador de Learning from Constraints que permite a los modelos de aprendizaje clásicos integrar representaciones de conocimiento simbólico. El profesor Melacci es editor asociado de las IEEE Transactions on Neural Networks and Learning Systems, y es un revisor activo para varias revistas y conferencias en el campo del aprendizaje automático.Este título no es retornable