Figure 2: Some Applications of Artificial Intelligence

References (Contd).
•
Ngiam, J., Chen, Z., Koh, P. W., & Ng, A. Y. (2011). Learning deep energy models. In Proceedings 
of the 28th International Conference on Machine Learning (ICML-11) (pp. 1105-1112).
•
Pasupa, K., & Sunhem, W. (2016, October). A comparison between shallow and deep architecture 
classifiers on small dataset. In Information Technology and Electrical Engineering (ICITEE), 2016 
8th International Conference on (pp. 1-6). IEEE.
•
Patel, V. (2016). Kalman-based stochastic gradient method with stop condition and insensitivity to 
conditioning. SIAM Journal on Optimization, 26(4), 2620-2648.
•
Polson, N. G., & Sokolov, V. O. (2017). Deep learning for short-term traffic flow prediction. 
Transportation Research Part C: Emerging Technologies, 79, 1-17.
•
Poultney, C., Chopra, S., & Cun, Y. L. (2007). Efficient learning of sparse representations with an 
energy-based model. In Advances in neural information processing systems (pp. 1137-1144).
72

---

References (Contd).
•
Radford, A., Metz, L., & Chintala, S. (2015). Unsupervised representation learning with deep 
convolutional generative adversarial networks. arXiv preprint arXiv:1511.06434.
•
Ren, W., Yu, Y., Zhang, J., & Huang, K. (2014, August). Learning convolutional nonlinear features 
for k nearest neighbor image classification. In Pattern Recognition (ICPR), 2014 22nd International 
Conference on (pp. 4358-4363). IEEE.
•
Rifai, S., Vincent, P., Muller, X., Glorot, X., & Bengio, Y. (2011). Contractive auto-encoders: Explicit 
invariance during feature extraction. In Proceedings of the 28th international conference on 
machine learning (ICML-11) (pp. 833-840).
•
Salakhutdinov, R., & Hinton, G. (2009). Semantic hashing. International Journal of Approximate 
Reasoning, 50(7), 969-978.
•
Salakhutdinov, R., & Hinton, G. (2009, April). Deep boltzmann machines. In Artificial Intelligence 
and Statistics (pp. 448-455).
73

---