Cantitate/Preț
Produs
Total produse
Vezi coșul
Deep Learning and Missing Data in Engineering Systems de Collins Achepsah Leke

Deep Learning and Missing Data in Engineering Systems: Studies in Big Data, cartea 48

Autor Collins Achepsah Leke, Tshilidzi Marwala
en Limba Engleză Hardback – 31 ian 2019

În volumul Deep Learning and Missing Data in Engineering Systems, publicat în seria Studies in Big Data, autorii propun o abordare tehnică riguroasă pentru una dintre cele mai persistente provocări din știința datelor: completarea seturilor de date lacunare. Remarcăm utilizarea centrală a arhitecturilor de tip deep autoencoder și deep denoising autoencoder, tehnologii esențiale pentru reconstrucția intrărilor din dimensiuni reduse, oferind astfel o bază solidă pentru sisteme de inginerie complexe.

Structura lucrării este organizată progresiv, pornind de la fundamentele teoretice ale estimării datelor și avansând rapid către implementări practice ale algoritmilor de inteligență colectivă. Subliniem analiza detaliată a unor metode precum bat algorithm, cuckoo search și firefly algorithm, folosite aici pentru optimizarea selecției modelelor. Complementar volumului Computational Reconstruction of Missing Data in Biological Research, care se concentrează pe specificul datelor biologice, această lucrare extinde aplicabilitatea metodelor către sistemele de inginerie generală și reconstrucția de imagini. De asemenea, dacă Engineering Applications of AI and Swarm Intelligence oferă o privire de ansamblu asupra domeniului, volumul de față se distinge prin focalizarea strictă pe hibridizarea dintre deep learning și optimizarea swarm pentru acuratețea în spații multidimensionale.

Această publicație se aliniază preocupărilor anterioare ale autorului Tshilidzi Marwala, care în Artificial Intelligence in Accounting, Auditing and Finance a explorat impactul AI în sectoarele financiare. Aici, el translatează rigoarea analitică spre zona tehnică, demonstrând cum modelele hibride pot accelera procesele de estimare fără a altera caracteristicile matricei de date. Rezultatele sunt susținute de reprezentări diagramatice și tabele statistice, oferind o resursă indispensabilă pentru cercetătorii care operează cu Big Data.

Citește tot Restrânge

Din seria Studies in Big Data

Preț: 94994 lei

Preț vechi: 118742 lei
-20%

Puncte Express: 1425

Carte disponibilă

Livrare economică 27 mai-10 iunie

 Adaugă în coș

Wish list
Gift list
Am citit!
Adaugă în listă

Specificații

ISBN-13: 9783030011796
ISBN-10: 3030011798
Pagini: 235
Ilustrații: XIV, 179 p. 109 illus., 84 illus. in color.
Dimensiuni: 155 x 235 mm
Greutate: 0.45 kg
Ediția:1st ed. 2019
Editura: Springer International Publishing
Colecția Springer
Seria Studies in Big Data

Locul publicării:Cham, Switzerland

De ce să citești această carte

Recomandăm această carte profesioniștilor din data science și inginerie care se confruntă cu seturi de date incomplete. Cititorul câștigă acces la metodologii hibride ce combină rețelele neurale profunde cu algoritmi de optimizare de ultimă oră (Ant-Lion, Firefly), asigurând o precizie superioară în reconstrucția informației. Este un ghid esențial pentru cei care doresc să implementeze soluții de imputare a datelor în sisteme de înaltă performanță.

Despre autor

Tshilidzi Marwala și Collins Achepsah Leke sunt cercetători recunoscuți în domeniul inteligenței artificiale aplicate. Marwala este cunoscut pentru expertiza sa vastă în utilizarea algoritmilor de învățare automată în contexte diverse, de la diagnoza tehnică la aplicații în finanțe și audit. Lucrările sale pun accent pe modul în care tehnologiile emergente precum Deep Learning și Natural Language Processing pot eficientiza procesele decizionale. În acest volum, autorii își unesc competențele pentru a oferi soluții matematice și computaționale problemelor de integritate a datelor în sistemele de inginerie mari.

Cuprins

Introduction to Missing Data Estimation.- Introduction to Deep Learning.- Missing Data Estimation Using Bat Algorithm.- Missing Data Estimation Using Cuckoo Search Algorithm.- Missing Data Estimation Using Firefly Algorithm.- Missing Data Estimation Using Ant Colony Optimization Algorithm.- Missing Data Estimation Using Ant-Lion Optimizer Algorithm.- Missing Data Estimation Using Invasive Weed Optimization Algorithm.- Missing Data Estimation Using Swarm Intelligence Algorithms from Reduced Dimensions.- Missing Data Estimation Using Swarm Intelligence Algorithms: Deep Learning Framework Analysis.- Conclusion.

Notă biografică

Tshilidzi Marwala is the Vice-Chancellor and Principal of the University of Johannesburg. He was previously the Deputy Vice-Chancellor for Research and Internationalisation as well as Dean of Engineering and the Built Environment at the University of Johannesburg. Prior to that he was the Adhominem Professor of Electrical Engineering as well as the Carl and Emily Fuchs Chair of Systems and Control Engineering at the University of the Witwatersrand. He is a Fellow of The World Academy of Sciences of the Developing World (TWAS) as well as a distinguished member of the ACM. He holds a Bachelor of Science in Mechanical Engineering from Case Western Reserve University, USA, a Master of Engineering from the University of Pretoria, South Africa, and a PhD in Engineering from the University of Cambridge, UK. He was a postdoctoral research associate at the Imperial College of Science, Technology and Medicine, and a visiting fellow at Harvard University and Cambridge University.  
Collins Leke holds a PhD and Master’s degrees from the University of Johannesburg. He also holds a Bachelor’s degree in Computer Science and Applied Mathematics from the University of the Witwatersrand. His research interests include the application of machine learning and computational intelligence to electrical and biomedical engineering, as well as in finance and insurance.

Textul de pe ultima copertă

Deep Learning and Missing Data in Engineering Systems uses deep learning and swarm intelligence methods to cover missing data estimation in engineering systems. The missing data estimation processes proposed in the book can be applied in image recognition and reconstruction. To facilitate the imputation of missing data, several artificial intelligence approaches are presented, including:
  • deep autoencoder neural networks;
  • deep denoising autoencoder networks;
  • the bat algorithm;
  • the cuckoo search algorithm; and
  • the firefly algorithm.
The hybrid models proposed are used to estimate the missing data in high-dimensional data settings more accurately. Swarm intelligence algorithms are applied to address critical questions such as model selection and model parameter estimation. The authors address feature extraction for the purpose of reconstructing the input data from reduced dimensions by the use of deep autoencoder neural networks. They illustrate new models diagrammatically, report their findings in tables, so as to put their methods on a sound statistical basis. The methods proposed speed up the process of data estimation while preserving known features of the data matrix.
This book is a valuable source of information for researchers and practitioners in data science. Advanced undergraduate and postgraduate students studying topics in computational intelligence and big data, can also use the book as a reference for identifying and introducing new research thrusts in missing data estimation.