Este libro puede ser relevante:
Ampliar el aprendizaje automático
Tabla de contenido :
- Ampliar el aprendizaje automático: introducción Ron Bekkerman, Mikhail Bilenko y John Langford
Parte I. Marcos para ampliar el aprendizaje automático:
- ¿Cuáles son algunas aplicaciones de los modelos gráficos probabilísticos?
- ¿Qué pila de tecnología usa Akinator?
- ¿Por qué Andrew Ng renuncia a Baidu?
- ¿Por qué las personas incrustan / envuelven código python en C / C ++?
- ¿Cuál es la diferencia entre análisis de datos, análisis de datos, minería de datos, ciencia de datos, aprendizaje automático y Big Data?
- Mapreduce y su aplicación al aprendizaje masivo paralelo de conjuntos de árboles de decisión Biswanath Panda, Joshua S. Herbach, Sugato Basu y Roberto J. Bayardo
- Aprendizaje automático a gran escala con DryadLINQ Mihai Budiu, Dennis Fetterly, Michael Isard, Frank McSherry y Yuan Yu
- Caja de herramientas paralelas de aprendizaje automático de IBM Edwin Pednault, Elad Yom-Tov y Amol Ghoting
- Computación paralela de datos de grano fino uniforme para algoritmos de aprendizaje automático Meichun Hsu, Ren Wu y Bin Zhang
Parte II. Algoritmos de aprendizaje supervisados y no supervisados:
- PSVM: máquinas de vectores de soporte paralelo con factorización Cholesky incompleta Edward Chang, Hongjie Bai, Kaihua Zhu, Hao Wang, Jian Li y Zhihuan Qiu
- Paralelismo SVM masivo utilizando aceleradores de hardware Igor Durdanovic, Eric Cosatto, Hans Peter Graf, Srihari Cadambi, Venkata Jakkula, Srimat Chakradhar y Abhinandan Majumdar
- Aprendizaje a gran escala para clasificar usando árboles de decisión potenciados Krysta M. Svore y Christopher JC Burges
- El algoritmo de regresión de transformación Ramesh Natarajan y Edwin Pednault
- Propagación de creencias paralelas en gráficos de factores Joseph Gonzalez, Yucheng Low y Carlos Guestrin
- Muestreo distribuido de Gibbs para modelos variables latentes Arthur Asunción, Padhraic Smyth, Max Welling, David Newman, Ian Porteous y Scott Triglia
- Agrupación espectral a gran escala con Mapreduce y MPI Wen-Yen Chen, Yangqiu Song, Hongjie Bai, Chih-Jen Lin y Edward Y. Chang
- Paralelización de los métodos de agrupamiento teórico de la información Ron Bekkerman y Martin Scholz
Parte III Configuraciones de aprendizaje alternativas:
- Aprendizaje en línea paralelo Daniel Hsu, Nikos Karampatziakis, John Langford y Alex J. Smola
- Aprendizaje semi-supervisado basado en gráficos paralelos Jeff Bilmes y Amarnag Subramanya
- Transferencia distribuida de aprendizaje a través de la factorización cooperativa de matrices Evan Xiang, Nathan Liu y Qiang Yang
- Selección de funciones paralelas a gran escala Jeremy Kubica, Sameer Singh y Daria Sorokina
Parte IV Aplicaciones:
- Aprendizaje a gran escala para la visión con GPUS Adam Coates, Rajat Raina y Andrew Y. Ng
- Redes convolucionales basadas en FPGA a gran escala Clement Farabet, Yann LeCun, Koray Kavukcuoglu, Berin Martini, Polina Akselrod, Selcuk Talay y Eugenio Culurciello
- Datos estructurados de árbol minero en sistemas multinúcleo Shirish Tatikonda y Srinivasan Parthasarathy
- Paralelización escalable del reconocimiento automático de voz Jike Chong, Ekaterina Gonina, Kisun You y Kurt Keutzer.
