Técnicas e Ferramentas para a Inteligência Artificial. Redes Neuronais em R e Python
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8227505699
- EAN9798227505699
- Date de parution24/07/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurBig Dog Books, LLC
Résumé
A inteligência artificial é a base de toda a aprendizagem automática e o futuro de todos os processos complexos de tomada de decisões. A Inteligência Artificial combina algoritmos matemáticos e técnicas de Aprendizagem Automática, Aprendizagem Profunda e Big Data para extrair o conhecimento contido nos dados e apresentá-lo de forma compreensível e automática. Este livro aborda a utilização de redes neuronais para a aprendizagem supervisionada e não supervisionada.
No que diz respeito à aprendizagem supervisionada, são consideradas as arquitecturas mais comuns, como o Perceptron Multicamada, a Rede de Base Radial, as Redes ADALINE, as Redes HOPFIELD, as Redes Probabilísticas, as Redes Lineares, as Redes de Regressão Generalizada, as Redes LVQ, as Redes Lineares e as Redes para Otimização de Modelos de Regressão. Nesta secção de análise supervisionada, deve ser dada especial atenção às Redes Neuronais de Previsão de Séries Temporais, tais como a Rede LSTM, as Redes GRU, as Redes Neuronais Recorrentes RNN, as Redes NARX, as Redes NNAR e, em geral, as Redes Neuronais Dinâmicas.
A aprendizagem não supervisionada desenvolve Redes de Reconhecimento de Padrões e Análise de Agrupamentos, tais como Redes KOHONEN (Mapas Auto-Organizáveis SOM), Redes de Reconhecimento de Padrões, Redes Neuronais Autoencodificadoras, Redes de Aprendizagem por Transferência, Redes de Deteção de Anomalias e Redes Neuronais Convolucionais. Os tópicos seguintes descrevem metodologicamente as arquitecturas dos diferentes tipos de redes neuronais e a sua utilidade em aplicações práticas.
Além disso, para cada tipo de rede neural, são apresentados exemplos com uma sintaxe óptima nas linguagens R e Python.
No que diz respeito à aprendizagem supervisionada, são consideradas as arquitecturas mais comuns, como o Perceptron Multicamada, a Rede de Base Radial, as Redes ADALINE, as Redes HOPFIELD, as Redes Probabilísticas, as Redes Lineares, as Redes de Regressão Generalizada, as Redes LVQ, as Redes Lineares e as Redes para Otimização de Modelos de Regressão. Nesta secção de análise supervisionada, deve ser dada especial atenção às Redes Neuronais de Previsão de Séries Temporais, tais como a Rede LSTM, as Redes GRU, as Redes Neuronais Recorrentes RNN, as Redes NARX, as Redes NNAR e, em geral, as Redes Neuronais Dinâmicas.
A aprendizagem não supervisionada desenvolve Redes de Reconhecimento de Padrões e Análise de Agrupamentos, tais como Redes KOHONEN (Mapas Auto-Organizáveis SOM), Redes de Reconhecimento de Padrões, Redes Neuronais Autoencodificadoras, Redes de Aprendizagem por Transferência, Redes de Deteção de Anomalias e Redes Neuronais Convolucionais. Os tópicos seguintes descrevem metodologicamente as arquitecturas dos diferentes tipos de redes neuronais e a sua utilidade em aplicações práticas.
Além disso, para cada tipo de rede neural, são apresentados exemplos com uma sintaxe óptima nas linguagens R e Python.
A inteligência artificial é a base de toda a aprendizagem automática e o futuro de todos os processos complexos de tomada de decisões. A Inteligência Artificial combina algoritmos matemáticos e técnicas de Aprendizagem Automática, Aprendizagem Profunda e Big Data para extrair o conhecimento contido nos dados e apresentá-lo de forma compreensível e automática. Este livro aborda a utilização de redes neuronais para a aprendizagem supervisionada e não supervisionada.
No que diz respeito à aprendizagem supervisionada, são consideradas as arquitecturas mais comuns, como o Perceptron Multicamada, a Rede de Base Radial, as Redes ADALINE, as Redes HOPFIELD, as Redes Probabilísticas, as Redes Lineares, as Redes de Regressão Generalizada, as Redes LVQ, as Redes Lineares e as Redes para Otimização de Modelos de Regressão. Nesta secção de análise supervisionada, deve ser dada especial atenção às Redes Neuronais de Previsão de Séries Temporais, tais como a Rede LSTM, as Redes GRU, as Redes Neuronais Recorrentes RNN, as Redes NARX, as Redes NNAR e, em geral, as Redes Neuronais Dinâmicas.
A aprendizagem não supervisionada desenvolve Redes de Reconhecimento de Padrões e Análise de Agrupamentos, tais como Redes KOHONEN (Mapas Auto-Organizáveis SOM), Redes de Reconhecimento de Padrões, Redes Neuronais Autoencodificadoras, Redes de Aprendizagem por Transferência, Redes de Deteção de Anomalias e Redes Neuronais Convolucionais. Os tópicos seguintes descrevem metodologicamente as arquitecturas dos diferentes tipos de redes neuronais e a sua utilidade em aplicações práticas.
Além disso, para cada tipo de rede neural, são apresentados exemplos com uma sintaxe óptima nas linguagens R e Python.
No que diz respeito à aprendizagem supervisionada, são consideradas as arquitecturas mais comuns, como o Perceptron Multicamada, a Rede de Base Radial, as Redes ADALINE, as Redes HOPFIELD, as Redes Probabilísticas, as Redes Lineares, as Redes de Regressão Generalizada, as Redes LVQ, as Redes Lineares e as Redes para Otimização de Modelos de Regressão. Nesta secção de análise supervisionada, deve ser dada especial atenção às Redes Neuronais de Previsão de Séries Temporais, tais como a Rede LSTM, as Redes GRU, as Redes Neuronais Recorrentes RNN, as Redes NARX, as Redes NNAR e, em geral, as Redes Neuronais Dinâmicas.
A aprendizagem não supervisionada desenvolve Redes de Reconhecimento de Padrões e Análise de Agrupamentos, tais como Redes KOHONEN (Mapas Auto-Organizáveis SOM), Redes de Reconhecimento de Padrões, Redes Neuronais Autoencodificadoras, Redes de Aprendizagem por Transferência, Redes de Deteção de Anomalias e Redes Neuronais Convolucionais. Os tópicos seguintes descrevem metodologicamente as arquitecturas dos diferentes tipos de redes neuronais e a sua utilidade em aplicações práticas.
Além disso, para cada tipo de rede neural, são apresentados exemplos com uma sintaxe óptima nas linguagens R e Python.
