Multi-Objective Machine Learning / (Registro nro. 296060)
[ vista simple ]
| 000 -CABECERA | |
|---|---|
| campo de control de longitud fija | 04724nam a22003735i 4500 |
| 001 - NÚMERO DE CONTROL | |
| campo de control | 296060 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL | |
| campo de control | MX-SnUAN |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN | |
| campo de control | 20170705134235.0 |
| 007 - CAMPO FIJO DE DESCRIPCIÓN FÍSICA--INFORMACIÓN GENERAL | |
| campo de control de longitud fija | cr nn 008mamaa |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL | |
| campo de control de longitud fija | 150903s2006 gw | o |||| 0|eng d |
| 020 ## - NÚMERO INTERNACIONAL ESTÁNDAR DEL LIBRO | |
| Número Internacional Estándar del Libro | 9783540330196 |
| -- | 9783540330196 |
| 024 7# - IDENTIFICADOR DE OTROS ESTÁNDARES | |
| Número estándar o código | 10.1007/3540330194 |
| Fuente del número o código | doi |
| 035 ## - NÚMERO DE CONTROL DEL SISTEMA | |
| Número de control de sistema | vtls000348569 |
| 039 #9 - NIVEL DE CONTROL BIBLIOGRÁFICO Y DETALLES DE CODIFICACIÓN [OBSOLETO] | |
| Nivel de reglas en descripción bibliográfica | 201509030436 |
| Nivel de esfuerzo utilizado para asignar no-encabezamientos de materia en puntos de acceso | VLOAD |
| Nivel de esfuerzo utilizado en la asignación de encabezamientos de materia | 201404121510 |
| Nivel de esfuerzo utilizado para asignar clasificación | VLOAD |
| Nivel de esfuerzo utilizado en la asignación de encabezamientos de materia | 201404091247 |
| Nivel de esfuerzo utilizado para asignar clasificación | VLOAD |
| -- | 201402071031 |
| -- | staff |
| 040 ## - FUENTE DE LA CATALOGACIÓN | |
| Centro catalogador/agencia de origen | MX-SnUAN |
| Lengua de catalogación | spa |
| Centro/agencia transcriptor | MX-SnUAN |
| Normas de descripción | rda |
| 050 #4 - CLASIFICACIÓN DE LA BIBLIOTECA DEL CONGRESO | |
| Número de clasificación | TA329-348 |
| 100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA | |
| Nombre de persona | Jin, Yaochu. |
| Término indicativo de función/relación | editor. |
| 9 (RLIN) | 329091 |
| 245 10 - MENCIÓN DE TÍTULO | |
| Título | Multi-Objective Machine Learning / |
| Mención de responsabilidad, etc. | edited by Yaochu Jin. |
| 264 #1 - PRODUCCIÓN, PUBLICACIÓN, DISTRIBUCIÓN, FABRICACIÓN Y COPYRIGHT | |
| Producción, publicación, distribución, fabricación y copyright | Berlin, Heidelberg : |
| Nombre del de productor, editor, distribuidor, fabricante | Springer Berlin Heidelberg, |
| Fecha de producción, publicación, distribución, fabricación o copyright | 2006. |
| 300 ## - DESCRIPCIÓN FÍSICA | |
| Extensión | xiii, 660 páginas Also available online. |
| Otras características físicas | recurso en línea. |
| 336 ## - TIPO DE CONTENIDO | |
| Término de tipo de contenido | texto |
| Código de tipo de contenido | txt |
| Fuente | rdacontent |
| 337 ## - TIPO DE MEDIO | |
| Nombre/término del tipo de medio | computadora |
| Código del tipo de medio | c |
| Fuente | rdamedia |
| 338 ## - TIPO DE SOPORTE | |
| Nombre/término del tipo de soporte | recurso en línea |
| Código del tipo de soporte | cr |
| Fuente | rdacarrier |
| 347 ## - CARACTERÍSTICAS DEL ARCHIVO DIGITAL | |
| Tipo de archivo | archivo de texto |
| Formato de codificación | |
| Fuente | rda |
| 490 0# - MENCIÓN DE SERIE | |
| Mención de serie | Studies in Computational Intelligence, |
| Número Internacional Normalizado para Publicaciones Seriadas | 1860-949X ; |
| Designación de volumen o secuencia | 16 |
| 500 ## - NOTA GENERAL | |
| Nota general | Springer eBooks |
| 505 0# - NOTA DE CONTENIDO CON FORMATO | |
| Nota de contenido con formato | Multi-Objective Clustering, Feature Extraction and Feature Selection -- Feature Selection Using Rough Sets -- Multi-Objective Clustering and Cluster Validation -- Feature Selection for Ensembles Using the Multi-Objective Optimization Approach -- Feature Extraction Using Multi-Objective Genetic Programming -- Multi-Objective Learning for Accuracy Improvement -- Regression Error Characteristic Optimisation of Non-Linear Models -- Regularization for Parameter Identification Using Multi-Objective Optimization -- Multi-Objective Algorithms for Neural Networks Learning -- Generating Support Vector Machines Using Multi-Objective Optimization and Goal Programming -- Multi-Objective Optimization of Support Vector Machines -- Multi-Objective Evolutionary Algorithm for Radial Basis Function Neural Network Design -- Minimizing Structural Risk on Decision Tree Classification -- Multi-objective Learning Classifier Systems -- Multi-Objective Learning for Interpretability Improvement -- Simultaneous Generation of Accurate and Interpretable Neural Network Classifiers -- GA-Based Pareto Optimization for Rule Extraction from Neural Networks -- Agent Based Multi-Objective Approach to Generating Interpretable Fuzzy Systems -- Multi-objective Evolutionary Algorithm for Temporal Linguistic Rule Extraction -- Multiple Objective Learning for Constructing Interpretable Takagi-Sugeno Fuzzy Model -- Multi-Objective Ensemble Generation -- Pareto-Optimal Approaches to Neuro-Ensemble Learning -- Trade-Off Between Diversity and Accuracy in Ensemble Generation -- Cooperative Coevolution of Neural Networks and Ensembles of Neural Networks -- Multi-Objective Structure Selection for RBF Networks and Its Application to Nonlinear System Identification -- Fuzzy Ensemble Design through Multi-Objective Fuzzy Rule Selection -- Applications of Multi-Objective Machine Learning -- Multi-Objective Optimisation for Receiver Operating Characteristic Analysis -- Multi-Objective Design of Neuro-Fuzzy Controllers for Robot Behavior Coordination -- Fuzzy Tuning for the Docking Maneuver Controller of an Automated Guided Vehicle -- A Multi-Objective Genetic Algorithm for Learning Linguistic Persistent Queries in Text Retrieval Environments -- Multi-Objective Neural Network Optimization for Visual Object Detection. |
| 520 ## - SUMARIO, ETC. | |
| Sumario, etc. | Recently, increasing interest has been shown in applying the concept of Pareto-optimality to machine learning, particularly inspired by the successful developments in evolutionary multi-objective optimization. It has been shown that the multi-objective approach to machine learning is particularly successful to improve the performance of the traditional single objective machine learning methods, to generate highly diverse multiple Pareto-optimal models for constructing ensembles models and, and to achieve a desired trade-off between accuracy and interpretability of neural networks or fuzzy systems. This monograph presents a selected collection of research work on multi-objective approach to machine learning, including multi-objective feature selection, multi-objective model selection in training multi-layer perceptrons, radial-basis-function networks, support vector machines, decision trees, and intelligent systems. |
| 590 ## - NOTA LOCAL (RLIN) | |
| Nota local | Para consulta fuera de la UANL se requiere clave de acceso remoto. |
| 710 2# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE ENTIDAD CORPORATIVA | |
| Nombre de entidad corporativa o nombre de jurisdicción como elemento de entrada | SpringerLink (Servicio en línea) |
| 9 (RLIN) | 299170 |
| 776 08 - ENTRADA/ENLACE A UN FORMATO FÍSICO ADICIONAL | |
| Información de relación/Frase instructiva de referencia | Edición impresa: |
| Número Internacional Estándar del Libro | 9783540306764 |
| 856 40 - LOCALIZACIÓN Y ACCESO ELECTRÓNICOS | |
| Identificador Uniforme del Recurso | <a href="http://remoto.dgb.uanl.mx/login?url=http://dx.doi.org/10.1007/3-540-33019-4">http://remoto.dgb.uanl.mx/login?url=http://dx.doi.org/10.1007/3-540-33019-4</a> |
| Nota pública | Conectar a Springer E-Books (Para consulta externa se requiere previa autentificación en Biblioteca Digital UANL) |
| 942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA) | |
| Tipo de ítem Koha | Recurso en línea |
No hay ítems disponibles.