Descripteur
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
Titre : Automated machine learning : methods, systems, challenges Type de document : Monographie Auteurs : Frank Hutter, Editeur scientifique ; Lars Kotthoff, Editeur scientifique ; Joaquin Vanschoren, Editeur scientifique Editeur : Springer Nature Année de publication : 2019 Collection : The Springer Series on Challenges in Machine Learning SSCML, ISSN 2520-1328 Importance : 219 p. ISBN/ISSN/EAN : 978-3-030-05318-5 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes descripteurs IGN] algorithme d'apprentissage
[Termes descripteurs IGN] apprentissage automatique
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] optimisation (mathématiques)Index. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) This open access book presents the first comprehensive overview of general methods in Automated Machine Learning (AutoML), collects descriptions of existing systems based on these methods, and discusses the first series of international challenges of AutoML systems. The recent success of commercial ML applications and the rapid growth of the field has created a high demand for off-the-shelf ML methods that can be used easily and without expert knowledge. However, many of the recent machine learning successes crucially rely on human experts, who manually select appropriate ML architectures (deep learning architectures or more traditional ML workflows) and their hyperparameters. To overcome this problem, the field of AutoML targets a progressive automation of machine learning, based on principles from optimization and machine learning itself. This book serves as a point of entry into this quickly-developing field for researchers and advanced students alike, as well as providing a reference for practitioners aiming to use AutoML in their work. Note de contenu :
AUTOML METHODS
- Hyperparameter Optimization
- Meta-Learning
- Neural Architecture Search
AUTOML SYSTEMS
- Auto-WEKA: Automatic Model Selection and Hyperparameter Optimization in WEKA
- Hyperopt-Sklearn
- Auto-sklearn: Efficient and Robust Automated Machine Learning
- Towards Automatically-Tuned Deep Neural Networks
- TPOT: A Tree-Based Pipeline Optimization Tool for Automating Machine Learning
- The Automatic Statistician
AUTOML CHALLENGES
- Analysis of the AutoML Challenge Series 2015–2018
- Correction to: Neural Architecture SearchNuméro de notice : 26299 Thématique : INFORMATIQUE/MATHEMATIQUE Nature : Monographie DOI : 10.1007%2F978-3-030-05318-5 date de publication en ligne : 04/02/2020 En ligne : https://link.springer.com/book/10.1007%2F978-3-030-05318-5 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95032 Hyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing / Minrui Zheng in International journal of geographical information science IJGIS, Vol 33 n° 1-2 (January - February 2019)
Titre : Hyperparameter optimization of neural network-driven spatial models accelerated using cyber-enabled high-performance computing Type de document : Article/Communication Auteurs : Minrui Zheng, Auteur ; Wenwu Tang, Auteur ; Xiang Zhao, Auteur Année de publication : 2019 Article en page(s) : pp 314 - 345 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes descripteurs IGN] algorithme d'apprentissage
[Termes descripteurs IGN] analyse spatiale
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] Caroline du Nord (Etats-Unis)
[Termes descripteurs IGN] données spatiotemporelles
[Termes descripteurs IGN] géostatistique
[Termes descripteurs IGN] méthode des moindres carrés
[Termes descripteurs IGN] modèle empirique
[Termes descripteurs IGN] modèle numérique de surface
[Termes descripteurs IGN] modélisation spatiale
[Termes descripteurs IGN] optimisation (mathématiques)
[Termes descripteurs IGN] régression linéaire
[Termes descripteurs IGN] réseau neuronal artificiel
[Termes descripteurs IGN] système d'information foncièreRésumé : (auteur) Artificial neural networks (ANNs) have been extensively used for the spatially explicit modeling of complex geographic phenomena. However, because of the complexity of the computational process, there has been an inadequate investigation on the parameter configuration of neural networks. Most studies in the literature from GIScience rely on a trial-and-error approach to select the parameter setting for ANN-driven spatial models. Hyperparameter optimization provides support for selecting the optimal architectures of ANNs. Thus, in this study, we develop an automated hyperparameter selection approach to identify optimal neural networks for spatial modeling. Further, the use of hyperparameter optimization is challenging because hyperparameter space is often large and the associated computational demand is heavy. Therefore, we utilize high-performance computing to accelerate the model selection process. Furthermore, we involve spatial statistics approaches to improve the efficiency of hyperparameter optimization. The spatial model used in our case study is a land price evaluation model in Mecklenburg County, North Carolina, USA. Our results demonstrate that the automated selection approach improves the model-level performance compared with linear regression, and the high-performance computing and spatial statistics approaches are of great help for accelerating and enhancing the selection of optimal neural networks for spatial modeling. Numéro de notice : A2019-022 Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1530355 date de publication en ligne : 12/10/2018 En ligne : https://doi.org/10.1080/13658816.2018.1530355 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91689
in International journal of geographical information science IJGIS > Vol 33 n° 1-2 (January - February 2019) . - pp 314 - 345[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 079-2019011 SL Livre Centre de documentation Revues en salle Disponible
Titre : Supervized segmentation with graph-structured deep metric learning Type de document : Article/Communication Auteurs : Loïc Landrieu Editeur : Ithaca [New York - Etats-Unis] : ArXiv - Université Cornell Année de publication : 2019 Projets : 1-Pas de projet / Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] graphe
[Termes descripteurs IGN] segmentation
[Termes descripteurs IGN] semis de pointsRésumé : (auteur) We present a fully-supervized method for learning to segment data structured by an adjacency graph. We introduce the graph-structured contrastive loss, a loss function structured by a ground truth segmentation. It promotes learning vertex embeddings which are homogeneous within desired segments, and have high contrast at their interface. Thus, computing a piecewise-constant approximation of such embeddings produces a graph-partition close to the objective segmentation. This loss is fully backpropagable, which allows us to learn vertex embeddings with deep learning algorithms. We evaluate our methods on a 3D point cloud oversegmentation task, defining a new state-of-the-art by a large margin. These results are based on the published work of Landrieu and Boussaha 2019. Numéro de notice : P2019-003 Nature : Preprint nature-HAL : Préprint DOI : sans date de publication en ligne : 19/05/2019 En ligne : https://arxiv.org/abs/1905.04014 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92819
Titre : Do semantic parts emerge in convolutional neural networks? Type de document : Article/Communication Auteurs : Abel Gonzalez-Garcia, Auteur ; Davide Modolo, Auteur ; Vittorio Ferrari, Auteur Année de publication : 2018 Article en page(s) : pp 476 - 494 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes descripteurs IGN] analyse sémantique
[Termes descripteurs IGN] reconnaissance d'objet
[Termes descripteurs IGN] rectangle englobant minimum
[Termes descripteurs IGN] réseau neuronal convolutifRésumé : (Auteur) Semantic object parts can be useful for several visual recognition tasks. Lately, these tasks have been addressed using Convolutional Neural Networks (CNN), achieving outstanding results. In this work we study whether CNNs learn semantic parts in their internal representation. We investigate the responses of convolutional filters and try to associate their stimuli with semantic parts. We perform two extensive quantitative analyses. First, we use ground-truth part bounding-boxes from the PASCAL-Part dataset to determine how many of those semantic parts emerge in the CNN. We explore this emergence for different layers, network depths, and supervision levels. Second, we collect human judgements in order to study what fraction of all filters systematically fire on any semantic part, even if not annotated in PASCAL-Part. Moreover, we explore several connections between discriminative power and semantics. We find out which are the most discriminative filters for object recognition, and analyze whether they respond to semantic parts or to other image patches. We also investigate the other direction: we determine which semantic parts are the most discriminative and whether they correspond to those parts emerging in the network. This enables to gain an even deeper understanding of the role of semantic parts in the network. Numéro de notice : A2018-408 Thématique : INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s11263-017-1048-0 date de publication en ligne : 17/10/2017 En ligne : https://doi.org/10.1007/s11263-017-1048-0 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90882
in International journal of computer vision > vol 126 n° 5 (May 2018) . - pp 476 - 494[article]
Titre : Désambiguïsation des entités spatiales par apprentissage actif Type de document : Article/Communication Auteurs : Amal Chihaoui, Auteur ; Asma Bouhafs, Auteur ; Mathieu Roche, Auteur ; Maguelonne Teisseire, Auteur Année de publication : 2018 Article en page(s) : pp 163 - 189 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle
[Termes descripteurs IGN] apprentissage dirigé
[Termes descripteurs IGN] corpus
[Termes descripteurs IGN] échantillonnage
[Termes descripteurs IGN] extraction automatique
[Termes descripteurs IGN] incertitude d'atttribut
[Termes descripteurs IGN] toponyme
[Termes descripteurs IGN] traitement du langage naturelRésumé : (Auteur) L’extraction de connaissances spatiales à partir de documents textuels peut être une tâche difficile du fait de l’ambiguïté propre au langage naturel. L'indisponibilité de gros volumes de données étiquetées rend difficile la mise-en-œuvre d’un processus de découverte automatique. Dans ce contexte, nous abordons le problème de la désambiguïsation des entités spatiales, entre " localisation" et "organisation" par apprentissage actif. D’abord, nous introduisons une méthode de résolution des toponymes basée sur une analyse lexicale et contextuelle. Ensuite, nous proposons une amélioration en intégrant un modèle d’apprentissage actif. Celui-ci permet de sélectionner automatiquement les données non étiquetées les plus informatives pour la notation humaine. Les expérimentations sont réalisées sur un corpus de "SemEval-2007" en anglais et soulignent l’amélioration du modèle d’apprentissage initial avec un étiquetage réduit. Numéro de notice : A2018-254 Thématique : GEOMATIQUE/TOPONYMIE Nature : Article DOI : 10.3166/rig.2018.00053 date de publication en ligne : 03/08/2018 En ligne : https://doi.org/10.3166/rig.2018.00053 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=90315
in Revue internationale de géomatique > vol 28 n° 2 (avril - juin 2018) . - pp 163 - 189[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 047-2018021 SL Revue Centre de documentation Revues en salle Disponible 
PermalinkPermalinkMachine learning and pose estimation for autonomous robot grasping with collaborative robots / Victor Talbot (2018)
PermalinkRéseaux de neurones convolutionnels profonds pour la détection de petits véhicules en imagerie aérienne / Jean Ogier du Terrail (2018)
PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkPermalink
