University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Apprentissage supervisé (intelligence artificielle) Apprentissage automatique Intelligence computationnelle Intelligence artificielle'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Titre : Apprentissage machine : De la théorie à la pratique Type de document : texte imprimé Auteurs : Massih-Reza Amini, Auteur Editeur : Paris : Eyrolles Année de publication : 2015 Collection : Algorithmes (Paris), ISSN 1625-113X Importance : 1 vol. (272 p.) Présentation : ill., fig., couv. ill. en coul. Format : 23 cm ISBN/ISSN/EAN : 978-2-212-13800-9 Note générale : 978-2-212-13800-9 Langues : Français (fre) Catégories : Informatique Mots-clés : Apprentissage supervisé (intelligence artificielle)
Apprentissage automatique
Intelligence computationnelle
Intelligence artificielleIndex. décimale : 006.3 Intelligence artificielle Résumé :
L'apprentissage machine est l'un des domaines phares de l'intelligence artificielle. Il concerne l'étude et le développement de modèles quantitatifs permettant à un ordinateur d'accomplir des tâches sans qu'il soit explicitement programmé à les faire. Apprendre dans ce contexte revient à reconnaître des formes complexes et à prendre des décisions intelligentes. Compte tenu de toutes les entrées existantes, la complexité pour y arriver réside dans le fait que l'ensemble des décisions possibles est généralement très difficile à énumérer. Les algorithmes en apprentissage machine ont par conséquent été conçus dans le but d'acquérir de la connaissance sur le problème à traiter en se basant sur un ensemble de données limitées issues de ce problème.
Un ouvrage de référence
Cet ouvrage présente les fondements scientifiques de la théorie de l'apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l'apprentissage semi-supervisé et de l'ordonnancement, à un niveau accessible aux étudiants de master et aux élèves ingénieurs. Nous avons eu ici le souci de fournir un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Mais cette étude ne se limite pas à présenter ces fondements, vous trouverez ainsi quelques programmes des algorithmes classiques proposés dans ce manuscrit, écrits en langage C (langage à la fois simple et populaire), et à destination des lecteurs qui cherchent à connaître le fonctionnement de ces modèles désignés parfois comme des boîtes noires.
À qui s'adresse ce livre ?
Aux élèves ingénieurs, étudiants de master et doctorants en mathématiques appliquées, algorithmique, recherche opérationnelle, gestion de production, aide à la décision.
Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, économistes et décideurs ayant à résoudre des problèmes de classification, de partitionnement et d'ordonnancement à large échelle.Note de contenu :
Sommaire
Introduction à la théorie de l'apprentissage
Algorithmes d'optimisation convexe non-contrainte
Classification bi-classes
Classification multi-classes
Apprentissage semi-supervisé
Apprentissage de modèles d'ordonnancement
Annexes (rappels de probabilités, code programmes)Côte titre : Fs/16096-16100 En ligne : https://www.amazon.fr/Apprentissage-machine-pratique-fondamentaux-Learning/dp/22 [...] Format de la ressource électronique : Apprentissage machine : De la théorie à la pratique [texte imprimé] / Massih-Reza Amini, Auteur . - Paris : Eyrolles, 2015 . - 1 vol. (272 p.) : ill., fig., couv. ill. en coul. ; 23 cm. - (Algorithmes (Paris), ISSN 1625-113X) .
ISBN : 978-2-212-13800-9
978-2-212-13800-9
Langues : Français (fre)
Catégories : Informatique Mots-clés : Apprentissage supervisé (intelligence artificielle)
Apprentissage automatique
Intelligence computationnelle
Intelligence artificielleIndex. décimale : 006.3 Intelligence artificielle Résumé :
L'apprentissage machine est l'un des domaines phares de l'intelligence artificielle. Il concerne l'étude et le développement de modèles quantitatifs permettant à un ordinateur d'accomplir des tâches sans qu'il soit explicitement programmé à les faire. Apprendre dans ce contexte revient à reconnaître des formes complexes et à prendre des décisions intelligentes. Compte tenu de toutes les entrées existantes, la complexité pour y arriver réside dans le fait que l'ensemble des décisions possibles est généralement très difficile à énumérer. Les algorithmes en apprentissage machine ont par conséquent été conçus dans le but d'acquérir de la connaissance sur le problème à traiter en se basant sur un ensemble de données limitées issues de ce problème.
Un ouvrage de référence
Cet ouvrage présente les fondements scientifiques de la théorie de l'apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l'apprentissage semi-supervisé et de l'ordonnancement, à un niveau accessible aux étudiants de master et aux élèves ingénieurs. Nous avons eu ici le souci de fournir un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Mais cette étude ne se limite pas à présenter ces fondements, vous trouverez ainsi quelques programmes des algorithmes classiques proposés dans ce manuscrit, écrits en langage C (langage à la fois simple et populaire), et à destination des lecteurs qui cherchent à connaître le fonctionnement de ces modèles désignés parfois comme des boîtes noires.
À qui s'adresse ce livre ?
Aux élèves ingénieurs, étudiants de master et doctorants en mathématiques appliquées, algorithmique, recherche opérationnelle, gestion de production, aide à la décision.
Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, économistes et décideurs ayant à résoudre des problèmes de classification, de partitionnement et d'ordonnancement à large échelle.Note de contenu :
Sommaire
Introduction à la théorie de l'apprentissage
Algorithmes d'optimisation convexe non-contrainte
Classification bi-classes
Classification multi-classes
Apprentissage semi-supervisé
Apprentissage de modèles d'ordonnancement
Annexes (rappels de probabilités, code programmes)Côte titre : Fs/16096-16100 En ligne : https://www.amazon.fr/Apprentissage-machine-pratique-fondamentaux-Learning/dp/22 [...] Format de la ressource électronique : Exemplaires (5)
Code-barres Cote Support Localisation Section Disponibilité Fs/16096 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16097 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16098 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16099 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
DisponibleFs/16100 Fs/16096-16100 livre Bibliothéque des sciences Français Disponible
Disponible