可解释机器学习模型与架构

这本前沿新作涵盖了硬件架构实现、软件实现方法,以及机器学习应用的高效硬件。 机器学习和深度学习模块现在已经成为许多智能和自动化系统的不可或缺的一部分,在这些系统中,信号处理在不同层面上进行。文本、图像或视频形式的信号处理需要在期望的数据速率和准确性下进行大规模数据计算操作。大数据需要更多地使用集成电路(IC)面积,其中嵌入了大量的存储器,这进一步导致了更多的IC面积。电力消耗、延迟和IC面积之间的权衡始终是设计师和研究人员关注的问题。需要新的硬件架构和加速器来探索和实验高效的机器学习模型。许多实时应用,如医疗保健中生物医学数据的处理、智能交通、卫星图像分析和物联网(IoT)启用的系统,在准确性、速度、计算能力和整体电力消耗方面有很大的改进空间。 本书处理的是支持高速处理器的高效机器和深度学习模型,这些处理器具有可重配置架构,如图形处理单元(GPU)和现场可编程门阵列(FPGA),或任何混合系统。无论是在领域或实验室里工作的经验丰富的工程师或科学家,还是学生或学者,这都是任何图书馆必备的。 封底介绍 同前。

关于作者 Suman Lata Tripathi博士是Lovely Professional University的一名教授,拥有超过21年的学术经验。她在审稿期刊和会议上发表了超过103篇研究论文。她组织了几个研讨会、暑期实习和专家讲座供学生参加,并担任了IEEE期刊和会议的分会主席、会议指导委员会成员、编辑委员会成员和审稿人。她已经出版了三本书,并目前有多卷即将由Wiley-Scrivener出版。 Mufti Mahmud博士是英国诺丁汉特伦特大学计算机科学系认知计算副教授。他是NTU研究优秀框架计算机科学与信息学评估单元的协调人,以及交互系统研究小组和认知计算与大脑信息学研究小组的副组长。他还是计算和信息科学研究中心以及医疗技术创新设施的活跃成员。他是众多学会和研究委员会的成员。

成为VIP会员查看完整内容
84

相关内容

可解释性是指一个人能够持续预测模型结果的程度。机器学习模型的可解释性越高,人们就越容易理解为什么做出某些决定或预测。
大模型如何赋能医学?全科医学人工智能基础模型
专知会员服务
73+阅读 · 2023年4月13日
多模态深度学习
专知会员服务
131+阅读 · 2023年1月15日
面向自然语言处理的知识图谱嵌入:从理论到实践
专知会员服务
48+阅读 · 2022年10月16日
专知会员服务
135+阅读 · 2021年11月21日
机器学习的可解释性
专知会员服务
68+阅读 · 2020年12月18日
【干货书】可解释人工智能(xAI)方法和深度元学习模型
专知会员服务
54+阅读 · 2020年9月13日
从HPO到NAS: 自动深度学习
专知会员服务
37+阅读 · 2020年6月15日
基于深度神经网络的少样本学习综述
专知会员服务
167+阅读 · 2020年4月22日
基于模型的强化学习综述
专知
18+阅读 · 2022年7月13日
深度学习模型可解释性的研究进展
专知
22+阅读 · 2020年8月1日
医疗中的自动机器学习和可解释性
专知
24+阅读 · 2019年4月1日
可解释的机器学习
平均机器
25+阅读 · 2019年2月25日
深度学习超参数搜索实用指南
云栖社区
28+阅读 · 2018年10月14日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
展望:模型驱动的深度学习
人工智能学家
12+阅读 · 2018年1月23日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
深度学习时代的目标检测算法综述
AI前线
10+阅读 · 2017年9月22日
国家自然科学基金
14+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
Arxiv
0+阅读 · 2023年10月27日
Arxiv
133+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
327+阅读 · 2023年3月31日
Arxiv
56+阅读 · 2023年3月26日
Arxiv
115+阅读 · 2023年3月24日
VIP会员
相关VIP内容
大模型如何赋能医学?全科医学人工智能基础模型
专知会员服务
73+阅读 · 2023年4月13日
多模态深度学习
专知会员服务
131+阅读 · 2023年1月15日
面向自然语言处理的知识图谱嵌入:从理论到实践
专知会员服务
48+阅读 · 2022年10月16日
专知会员服务
135+阅读 · 2021年11月21日
机器学习的可解释性
专知会员服务
68+阅读 · 2020年12月18日
【干货书】可解释人工智能(xAI)方法和深度元学习模型
专知会员服务
54+阅读 · 2020年9月13日
从HPO到NAS: 自动深度学习
专知会员服务
37+阅读 · 2020年6月15日
基于深度神经网络的少样本学习综述
专知会员服务
167+阅读 · 2020年4月22日
相关资讯
基于模型的强化学习综述
专知
18+阅读 · 2022年7月13日
深度学习模型可解释性的研究进展
专知
22+阅读 · 2020年8月1日
医疗中的自动机器学习和可解释性
专知
24+阅读 · 2019年4月1日
可解释的机器学习
平均机器
25+阅读 · 2019年2月25日
深度学习超参数搜索实用指南
云栖社区
28+阅读 · 2018年10月14日
基于深度学习的目标检测算法综述
AI研习社
14+阅读 · 2018年4月25日
展望:模型驱动的深度学习
人工智能学家
12+阅读 · 2018年1月23日
迁移学习在深度学习中的应用
专知
23+阅读 · 2017年12月24日
深度学习时代的目标检测算法综述
AI前线
10+阅读 · 2017年9月22日
相关基金
国家自然科学基金
14+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
22+阅读 · 2015年12月31日
国家自然科学基金
12+阅读 · 2015年12月31日
国家自然科学基金
4+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员