Towards fast hybrid deep kernel learning methods

El treball estudia la millor manera de crear xarxes neuronals híbrides amb mètodes kernel mitjançant dues aproximacions de kernel diferents, random Fourier features i el mètode Nystrom, i la millor manera d'entrenar-les, amb RMSprop i stochastic gradient descent.

Detalles Bibliográficos
Autor: Lara Miquel, Miquel
Tipo de recurso: tesis de maestría
Fecha de publicación:2019
País:España
Institución:Universitat Politècnica de Catalunya (UPC)
Repositorio:UPCommons. Portal del coneixement obert de la UPC
Idioma:inglés
OAI Identifier:oai:upcommons.upc.edu:2117/133506
Acceso en línea:https://hdl.handle.net/2117/133506
Access Level:acceso abierto
Palabra clave:Neural networks (Computer science)
Machine learning
Kernel functions
hybrid neural networks
optimization
random fourier features
nystrom method
rmsprop
stochastic gradient descent
simultaneous perturbation stochastic approximation
radial basis function kernel
tensorflow
deep learning
fashion mnist
mnist
Xarxes neuronals (Informàtica)
Aprenentatge automàtic
Kernel, Funcions de
Àrees temàtiques de la UPC::Informàtica
id ES_31a6200ac8102739cda02bfa1e8a0f85
oai_identifier_str oai:upcommons.upc.edu:2117/133506
network_acronym_str ES
network_name_str España
repository_id_str
spelling Towards fast hybrid deep kernel learning methodsLara Miquel, MiquelNeural networks (Computer science)Machine learningKernel functionshybrid neural networksoptimizationrandom fourier featuresnystrom methodrmspropstochastic gradient descentsimultaneous perturbation stochastic approximationradial basis function kerneltensorflowdeep learningfashion mnistmnistXarxes neuronals (Informàtica)Aprenentatge automàticKernel, Funcions deÀrees temàtiques de la UPC::InformàticaEl treball estudia la millor manera de crear xarxes neuronals híbrides amb mètodes kernel mitjançant dues aproximacions de kernel diferents, random Fourier features i el mètode Nystrom, i la millor manera d'entrenar-les, amb RMSprop i stochastic gradient descent.Universitat Politècnica de CatalunyaBelanche Muñoz, Luis Antonio20192019-04-1520192019-05-24master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/2117/133506reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessoai:upcommons.upc.edu:2117/1335062026-05-27T15:37:01Z
dc.title.none.fl_str_mv Towards fast hybrid deep kernel learning methods
title Towards fast hybrid deep kernel learning methods
spellingShingle Towards fast hybrid deep kernel learning methods
Lara Miquel, Miquel
Neural networks (Computer science)
Machine learning
Kernel functions
hybrid neural networks
optimization
random fourier features
nystrom method
rmsprop
stochastic gradient descent
simultaneous perturbation stochastic approximation
radial basis function kernel
tensorflow
deep learning
fashion mnist
mnist
Xarxes neuronals (Informàtica)
Aprenentatge automàtic
Kernel, Funcions de
Àrees temàtiques de la UPC::Informàtica
title_short Towards fast hybrid deep kernel learning methods
title_full Towards fast hybrid deep kernel learning methods
title_fullStr Towards fast hybrid deep kernel learning methods
title_full_unstemmed Towards fast hybrid deep kernel learning methods
title_sort Towards fast hybrid deep kernel learning methods
dc.creator.none.fl_str_mv Lara Miquel, Miquel
author Lara Miquel, Miquel
author_facet Lara Miquel, Miquel
author_role author
dc.contributor.none.fl_str_mv Belanche Muñoz, Luis Antonio
dc.subject.none.fl_str_mv Neural networks (Computer science)
Machine learning
Kernel functions
hybrid neural networks
optimization
random fourier features
nystrom method
rmsprop
stochastic gradient descent
simultaneous perturbation stochastic approximation
radial basis function kernel
tensorflow
deep learning
fashion mnist
mnist
Xarxes neuronals (Informàtica)
Aprenentatge automàtic
Kernel, Funcions de
Àrees temàtiques de la UPC::Informàtica
topic Neural networks (Computer science)
Machine learning
Kernel functions
hybrid neural networks
optimization
random fourier features
nystrom method
rmsprop
stochastic gradient descent
simultaneous perturbation stochastic approximation
radial basis function kernel
tensorflow
deep learning
fashion mnist
mnist
Xarxes neuronals (Informàtica)
Aprenentatge automàtic
Kernel, Funcions de
Àrees temàtiques de la UPC::Informàtica
description El treball estudia la millor manera de crear xarxes neuronals híbrides amb mètodes kernel mitjançant dues aproximacions de kernel diferents, random Fourier features i el mètode Nystrom, i la millor manera d'entrenar-les, amb RMSprop i stochastic gradient descent.
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-04-15
2019
2019-05-24
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/133506
url https://hdl.handle.net/2117/133506
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya
publisher.none.fl_str_mv Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869405624960286720
score 15,301603

Similares en LA Referencia