Descripción
Este libro presenta el estado del arte en algoritmos distribuidos de aprendizaje automático basados en métodos de optimización de gradiente. En la era del big data, los conjuntos de datos a gran escala plantean enormes desafíos para los sistemas de aprendizaje automático existentes. Como tal, la implementación de algoritmos de aprendizaje automático en un entorno distribuido se ha convertido en una tecnología clave, y la investigación reciente ha demostrado que la optimización iterativa basada en gradientes es una solución eficaz. Centrándose en métodos que pueden acelerar la optimización de gradientes a gran escala a través de optimizaciones de algoritmos e implementaciones de sistemas cuidadosas, el libro presenta tres técnicas esenciales en el diseño de un algoritmo de optimización de gradientes para entrenar un modelo de aprendizaje automático distribuido: estrategia paralela, compresión de datos y protocolo de sincronización.
Escrito en un estilo tutorial, cubre una variedad de temas, desde conocimientos fundamentales hasta una serie de algoritmos y sistemas de aprendizaje automático distribuido cuidadosamente diseñados. Resultará atractivo para una amplia audiencia en el campo del aprendizaje automático, la inteligencia artificial, el big data y la gestión de bases de datos.
Autor: Jiawei Jiang, Bin Cui, Ce Zhang
Editorial: Springer
Publicado: 25/02/2023
Páginas: 169
Tipo de encuadernación: Tapa blanda
Peso: 0.59lbs
Tamaño: 9.21h x 6.14w x 0.39d
ISBN13: 9789811634222
ISBN10: 981163422X
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Ciencia de Datos | Análisis de Datos
- Informática | Administración y Gestión de Bases de Datos
Sobre el Autor
Jiawei Jiang obtuvo su doctorado en la Universidad de Pekín en 2018, bajo la supervisión del Prof. Bin Cui. Sus intereses de investigación incluyen el aprendizaje automático distribuido, la optimización de gradientes y el aprendizaje automático automático. Ha sido miembro del comité de programas o revisor para varios eventos internacionales, incluyendo SIGMOD, VLDB, ICDE, KDD, AAAI y TKDE. Fue galardonado con el Premio a la Tesis Doctoral Sobresaliente del CCF (2019) y el Premio a la Tesis Doctoral de ACM China (2018).
Bin Cui es profesor en la Escuela de EECS y director del Instituto de Computación en Red y Sistemas de Información de la Universidad de Pekín. Sus intereses de investigación incluyen arquitecturas de sistemas de bases de datos, técnicas de consulta e indexación, y gestión y minería de big data. Ha publicado más de 200 artículos revisados por pares en conferencias y revistas internacionales. El Dr. Cui ha sido miembro del comité de programa técnico de varias conferencias internacionales, incluyendo SIGMOD, VLDB, ICDE y KDD, y como Vicepresidente del PC de ICDE 2011, Co-Presidente de Demos de ICDE 2014, Presidente de Área de VLDB 2014, Co-Presidente del PC de APWeb 2015 y WAIM 2016. Actualmente es miembro de la junta directiva de VLDB Endowment, forma parte del consejo editorial del VLDB Journal, Distributed and Parallel Databases Journal, e Information Systems, y fue anteriormente editor asociado de IEEE Transactions on Knowledge and Data Engineering (TKDE, 2009-2013). Fue seleccionado para un premio de Jóvenes Profesores de Microsoft (MSRA 2008), premio Joven Científico del CCF (2009), Segundo Premio de Ciencias Naturales del MOE China (2014), y fue nombrado Profesor Distinguido Cheung Kong por el MOE en 2016.