Descripción
Lifelong Machine Learning, Second Edition es una introducción a un paradigma avanzado de aprendizaje automático que aprende continuamente acumulando conocimientos pasados que luego utiliza en el aprendizaje y la resolución de problemas futuros. En contraste, el paradigma dominante actual de aprendizaje automático aprende de forma aislada: dado un conjunto de datos de entrenamiento, ejecuta un algoritmo de aprendizaje automático en el conjunto de datos para producir un modelo que luego se utiliza en su aplicación prevista. No intenta retener el conocimiento aprendido y utilizarlo en aprendizajes posteriores. A diferencia de este sistema aislado, los humanos aprenden eficazmente con solo unos pocos ejemplos precisamente porque nuestro aprendizaje está muy impulsado por el conocimiento: el conocimiento aprendido en el pasado nos ayuda a aprender cosas nuevas con pocos datos o esfuerzo. El aprendizaje permanente tiene como objetivo emular esta capacidad, porque sin ella, un sistema de IA no puede considerarse verdaderamente inteligente.
La investigación en aprendizaje permanente ha avanzado significativamente en el tiempo relativamente corto desde la publicación de la primera edición de este libro. El propósito de esta segunda edición es expandir la definición de aprendizaje permanente, actualizar el contenido de varios capítulos y agregar un nuevo capítulo sobre el aprendizaje continuo en redes neuronales profundas, que ha sido investigado activamente durante los últimos dos o tres años. Algunos capítulos también se han reorganizado para hacer que cada uno sea más coherente para el lector. Además, los autores quieren proponer un marco unificado para el área de investigación. Actualmente, existen varios temas de investigación en aprendizaje automático que están estrechamente relacionados con el aprendizaje permanente, principalmente el aprendizaje multitarea, el aprendizaje por transferencia y el metaaprendizaje, porque también emplean la idea de compartir y transferir conocimientos. Este libro reúne todos estos temas y discute sus similitudes y diferencias. Su objetivo es introducir este paradigma emergente de aprendizaje automático y presentar una encuesta y revisión exhaustiva de los resultados de investigación importantes y las últimas ideas en el área. Este libro es, por lo tanto, adecuado para estudiantes, investigadores y profesionales interesados en el aprendizaje automático, la minería de datos, el procesamiento del lenguaje natural o el reconocimiento de patrones. Los profesores pueden usar fácilmente el libro para cursos en cualquiera de estos campos relacionados.
Autor: Zhiyuan Chen, Bing Liu
Editorial: Springer
Publicado: 14/08/2018
Páginas: 187
Tipo de encuadernación: Tapa blanda
Peso: 0.81lbs
Tamaño: 9.25h x 7.50w x 0.44d
ISBN13: 9783031004537
ISBN10: 3031004531
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Matemáticas | Aplicadas
Sobre el autor
Zhiyuan Chen completó su doctorado, titulado ""Aprendizaje automático permanente para modelado y clasificación de temas"", en la Universidad de Illinois en Chicago bajo la dirección del profesor Bing Liu. Se unió a Google en 2016. Sus intereses de investigación incluyen el aprendizaje automático, el procesamiento del lenguaje natural, la minería de texto, la minería de datos y los algoritmos de subasta. Ha propuesto varios algoritmos de aprendizaje permanente para extraer información automáticamente de documentos de texto, y ha publicado más de 15 artículos de investigación completos en conferencias de primer nivel como KDD, ICML, ACL, WWW, IJCAI y AAAI. También ha impartido tres tutoriales sobre aprendizaje automático permanente en IJCAI-2015, KDD-2016 y EMNLP-2016. Ha sido miembro del comité de programa de muchas conferencias prestigiosas de procesamiento del lenguaje natural, minería de datos, IA e investigación web. En reconocimiento a sus contribuciones académicas, fue galardonado con el Fifty For The Future Award de la Illinois Technology Foundation en 2015. Bing Liu es profesor distinguido de Ciencias de la Computación en la Universidad de Illinois en Chicago. Recibió su doctorado en Inteligencia Artificial de la Universidad de Edimburgo. Sus intereses de investigación incluyen el aprendizaje automático permanente, el análisis de sentimientos y la minería de opiniones, la minería de datos, el aprendizaje automático y el procesamiento del lenguaje natural. Ha publicado extensamente en las principales conferencias y revistas en estas áreas. Dos de sus artículos han recibido premios Test-of-Time de 10 años de KDD, la principal conferencia de minería de datos y ciencia de datos. También ha sido autor de tres libros: uno sobre minería de datos web y dos sobre análisis de sentimientos. Parte de su trabajo ha sido ampliamente divulgado en la prensa popular, incluido un artículo de primera plana en el New York Times. En cuanto a servicios profesionales, se desempeñó como presidente de ACM SIGKDD de 2013 a 2017, como presidente de programa de muchas conferencias líderes relacionadas con la minería de datos, incluidas KDD, ICDM, CIKM, WSDM, SDM y PAKDD, como editor asociado de muchas revistas líderes como TKDE, TKDD, TWEB y DMKD, y como presidente de área o miembro senior del comité de programa de numerosas conferencias de procesamiento del lenguaje natural, IA, investigación web y minería de datos. Es miembro de ACM, AAAI e IEEE.
Este título no es retornable.