El aprendizaje automático actual enfrenta grandes retos: necesita cantidades enormes de datos, requiere mucha potencia de cómputo y sus decisiones son difíciles de explicar.
Para resolver estos problemas, existe una nueva forma de crear sistemas de inteligencia artificial más eficientes llamada Aprendizaje Automático Informado.
Qué encontrarás en este libro
Informed Machine Learning te enseña cómo usar conocimiento previo para crear modelos de IA que necesitan menos datos y son más fáciles de entender. Los autores Daniel Schulz y Christian Bauckhage, reconocidos investigadores del Instituto Fraunhofer, han reunido casos reales de la industria que muestran cómo aplicar estas técnicas.
El libro incluye 14 capítulos organizados en cuatro áreas principales: gemelos digitales, optimización, redes neuronales y métodos híbridos. Cada sección presenta soluciones prácticas para problemas industriales reales, desde sistemas de enfriamiento hasta detección de efectos secundarios en medicamentos.
Índice del Libro
- Introducción y Visión General
- Optimización de Operaciones de Sistemas de Enfriamiento con ML Informado y Gemelo Digital
- AITwin: Una Interfaz Uniforme de Gemelo Digital para Aplicaciones de IA
- Jerarquía de Modelos Predictivos Basados en Regresión para Inferencia de Resistencia a la Tracción de No Tejidos
- Aprendizaje Automático para Optimizar la Homogeneidad de No Tejidos Spunbond
- Inferencia Bayesiana para Estimación de Resistencia a la Fatiga
- Incorporación de Conocimiento de Formas en Modelos de Regresión
- Predicción de Propiedades de Vidrios de Óxido Usando Redes Neuronales Informadas
- Redes Neuronales de Grafos para Predecir Efectos Secundarios y Nuevas Indicaciones de Medicamentos
- Sobre la Interacción de Selección de Subconjuntos y Redes Neuronales de Grafos Informadas
- Aspectos de Aprendizaje Automático Informado para el Reescritor Neuronal Multi-Agente
- Entrenamiento de Máquinas de Vectores de Soporte Resolviendo Ecuaciones Diferenciales
- ML Informado para Maximizar Robustez y Rendimiento Computacional de Solucionadores Lineales
- Detección de Anomalías en Series Temporales Multivariadas Usando Estimación de Incertidumbre
Información del libro
- Título: Informed Machine Learning
- Autores: Daniel Schulz, Christian Bauckhage (Editores)
- Categorías: Machine Learning, Inteligencia Artificial, Redes Neuronales
- Licencia: Creative Commons Attribution 4.0 – Completamente gratuito
- Idioma: Inglés
- Editorial: Springer Nature (Serie Cognitive Technologies)
- Año: 2025
Descarga este valioso recurso sin costo alguno desde nuestro sitio web y mejora tus conocimientos en inteligencia artificial aplicada.