Titre :	Apprentissage artificiel : Deep learning, concepts et algorithmes
Type de document :	texte imprimé
Auteurs :	Antoine Cornuéjols, Auteur ; Laurent Miclet, Auteur ; Vincent Barra, Auteur
Mention d'édition :	3e éd.
Editeur :	Paris : Eyrolles
Année de publication :	2018
Collection :	Algorithmes (Paris), ISSN 1625-113X
Importance :	1 vol. (899 p.)
Présentation :	ill.
Format :	23 cm
ISBN/ISSN/EAN :	978-2-212-67522-1
Note générale :	978-2-212-67522-1
Langues :	Français (fre)
Catégories :	Informatique
Mots-clés :	Intelligence artificielle
Index. décimale :	006.3 Intelligence artificielle
Résumé :	Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web... Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples. Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel". La troisième édition de ce livre a été complètement réorganisée pour s'adapter aux évolutions très significatives de l'apprentissage artificiel ces dernières années. Une large place y est accordée aux techniques d'apprentissage profond et à de nouvelles applications, incluant le traitement de flux de données. [Cit. 4e de co
Note de contenu :	Sommaire P. iii. Table des matières P. ix. Notations P. 1. I Des machines apprenantes ! P. 3. 1 Des algorithmes qui apprennent ? P. 43. 2 Introduction à des approches théoriques de l'induction supervisée P. 85. II L'induction exploitant la structure de l'espace des hypothèses P. 87. 3 Exploitation d'une relation de généralité entre hypothèses P. 111. 4 L'inférence grammaticale P. 153. 5 La programmation logique inductive P. 191. 6 La recherche de motifs dans les données P. 213. 7 Apprentissage et théorie du domaine P. 237. III L'induction par optimisation d'un critère inductif P. 239. 8 L'apprentissage de modèles linéaires P. 269. 9 L'apprentissage de réseaux connexionnistes P. 301. 10 Apprentissage profond P. 339. IV L'induction par comparaison à des exemples (et par collaboration) P. 341. 11 Apprentissage par similarité P. 371. 12 Méthodes à noyaux P. 431. 13 Apprentissage par combinaison d'experts P. 471. V L'apprentissage descriptif P. 473. 14 Apprentissages non supervisés P. 501. 15 Les changements de représentation P. 531. 16 L'apprentissage bayésien et son approximation P. 573. 17 L'apprentissage de réseaux bayésiens P. 603. 18 L'apprentissage de modèles de Markov cachés P. 627. VI Apprentissage en environnement non stationnaire P. 629. 19 L'apprentissage de réflexes par renforcement P. 671. 20 Nouveaux scénarios : apprentissages actif, en ligne et par transfert P. 707. VII Aspects pratiques et suppléments P. 790. 21 L'apprentissage semi-supervisé P. 733. 22 Analyse de l'induction : approfondissement et ouvertures P. 767. 23 Aspects pratiques de l'apprentissage P. 817. VIII Annexes techniques P. 819. 24 Annexes techniques P. 851. Bibliographie P. 891. Index
Côte titre :	Fs/23260-23261

Apprentissage artificiel : Deep learning, concepts et algorithmes [texte imprimé] / Antoine Cornuéjols, Auteur ; Laurent Miclet, Auteur ; Vincent Barra, Auteur  . -  3e éd. . - Paris : Eyrolles, 2018 . - 1 vol. (899 p.) : ill. ; 23 cm. - (Algorithmes (Paris), ISSN 1625-113X) .
ISBN : 978-2-212-67522-1
978-2-212-67522-1
Langues : Français (fre)

Catégories :	Informatique
Mots-clés :	Intelligence artificielle
Index. décimale :	006.3 Intelligence artificielle
Résumé :	Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web... Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples. Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel". La troisième édition de ce livre a été complètement réorganisée pour s'adapter aux évolutions très significatives de l'apprentissage artificiel ces dernières années. Une large place y est accordée aux techniques d'apprentissage profond et à de nouvelles applications, incluant le traitement de flux de données. [Cit. 4e de co
Note de contenu :	Sommaire P. iii. Table des matières P. ix. Notations P. 1. I Des machines apprenantes ! P. 3. 1 Des algorithmes qui apprennent ? P. 43. 2 Introduction à des approches théoriques de l'induction supervisée P. 85. II L'induction exploitant la structure de l'espace des hypothèses P. 87. 3 Exploitation d'une relation de généralité entre hypothèses P. 111. 4 L'inférence grammaticale P. 153. 5 La programmation logique inductive P. 191. 6 La recherche de motifs dans les données P. 213. 7 Apprentissage et théorie du domaine P. 237. III L'induction par optimisation d'un critère inductif P. 239. 8 L'apprentissage de modèles linéaires P. 269. 9 L'apprentissage de réseaux connexionnistes P. 301. 10 Apprentissage profond P. 339. IV L'induction par comparaison à des exemples (et par collaboration) P. 341. 11 Apprentissage par similarité P. 371. 12 Méthodes à noyaux P. 431. 13 Apprentissage par combinaison d'experts P. 471. V L'apprentissage descriptif P. 473. 14 Apprentissages non supervisés P. 501. 15 Les changements de représentation P. 531. 16 L'apprentissage bayésien et son approximation P. 573. 17 L'apprentissage de réseaux bayésiens P. 603. 18 L'apprentissage de modèles de Markov cachés P. 627. VI Apprentissage en environnement non stationnaire P. 629. 19 L'apprentissage de réflexes par renforcement P. 671. 20 Nouveaux scénarios : apprentissages actif, en ligne et par transfert P. 707. VII Aspects pratiques et suppléments P. 790. 21 L'apprentissage semi-supervisé P. 733. 22 Analyse de l'induction : approfondissement et ouvertures P. 767. 23 Aspects pratiques de l'apprentissage P. 817. VIII Annexes techniques P. 819. 24 Annexes techniques P. 851. Bibliographie P. 891. Index
Côte titre :	Fs/23260-23261