Titre :	Kernel methods for pattern analysis
Type de document :	texte imprimé
Auteurs :	John Shawe-Taylor ; Nello Cristianini
Editeur :	Cambridge : Cambridge university press
Année de publication :	2004
Importance :	1 vol (462 p.)
Présentation :	ill.
Format :	26 cm
ISBN/ISSN/EAN :	978-0-521-81397-6
Catégories :	Mathématique
Mots-clés :	Pattern perception -- Data processing Apprentissage automatique Modèles stochastiques d'apprentissage Traitement vectoriel Algorithmes Noyaux (analyse fonctionnelle)
Index. décimale :	510 Mathématique
Résumé :	Les méthodes du noyau fournissent un cadre puissant et unifié pour la découverte de motifs, des algorithmes de motivation pouvant agir sur des types de données généraux (chaînes, vecteurs ou texte) et recherchent des types généraux de relations (classements, classifications, régressions, clusters). Les domaines d'application vont des réseaux de neurones et de la reconnaissance de formes à l'apprentissage automatique et à l'exploration de données. Ce livre, développé à partir de conférences et de tutoriels, remplit deux rôles principaux: premièrement, il fournit aux praticiens une grande boîte à outils d'algorithmes, de noyaux et de solutions prêts à l'emploi pour des problèmes de découverte de modèles standard. Deuxièmement, il fournit une introduction facile pour les étudiants et les chercheurs dans le domaine croissant de l'analyse de motifs à base de noyau, montrant comment utiliser un algorithme ou un noyau pour une nouvelle application spécifique et couvrant tous les outils conceptuels et mathématiques nécessaires. .
Note de contenu :	Sommaire Preface; Part I. Basic Concepts: 1. Pattern analysis; 2. Kernel methods: an overview; 3. Properties of kernels; 4. Detecting stable patterns; Part II. Pattern Analysis Algorithms: 5. Elementary algorithms in feature space; 6. Pattern analysis using eigen-decompositions; 7. Pattern analysis using convex optimisation; 8. Ranking, clustering and data visualisation; Part III. Constructing Kernels: 9. Basic kernels and kernel types; 10. Kernels for text; 11. Kernels for structured data: strings, trees, etc.; 12. Kernels from generative models; Appendix A: proofs omitted from the main text; Appendix B: notational
Côte titre :	Fs/19785

Kernel methods for pattern analysis [texte imprimé] / John Shawe-Taylor ; Nello Cristianini . - Cambridge : Cambridge university press, 2004 . - 1 vol (462 p.) : ill. ; 26 cm.
ISBN : 978-0-521-81397-6

Catégories :	Mathématique
Mots-clés :	Pattern perception -- Data processing Apprentissage automatique Modèles stochastiques d'apprentissage Traitement vectoriel Algorithmes Noyaux (analyse fonctionnelle)
Index. décimale :	510 Mathématique
Résumé :	Les méthodes du noyau fournissent un cadre puissant et unifié pour la découverte de motifs, des algorithmes de motivation pouvant agir sur des types de données généraux (chaînes, vecteurs ou texte) et recherchent des types généraux de relations (classements, classifications, régressions, clusters). Les domaines d'application vont des réseaux de neurones et de la reconnaissance de formes à l'apprentissage automatique et à l'exploration de données. Ce livre, développé à partir de conférences et de tutoriels, remplit deux rôles principaux: premièrement, il fournit aux praticiens une grande boîte à outils d'algorithmes, de noyaux et de solutions prêts à l'emploi pour des problèmes de découverte de modèles standard. Deuxièmement, il fournit une introduction facile pour les étudiants et les chercheurs dans le domaine croissant de l'analyse de motifs à base de noyau, montrant comment utiliser un algorithme ou un noyau pour une nouvelle application spécifique et couvrant tous les outils conceptuels et mathématiques nécessaires. .
Note de contenu :	Sommaire Preface; Part I. Basic Concepts: 1. Pattern analysis; 2. Kernel methods: an overview; 3. Properties of kernels; 4. Detecting stable patterns; Part II. Pattern Analysis Algorithms: 5. Elementary algorithms in feature space; 6. Pattern analysis using eigen-decompositions; 7. Pattern analysis using convex optimisation; 8. Ranking, clustering and data visualisation; Part III. Constructing Kernels: 9. Basic kernels and kernel types; 10. Kernels for text; 11. Kernels for structured data: strings, trees, etc.; 12. Kernels from generative models; Appendix A: proofs omitted from the main text; Appendix B: notational
Côte titre :	Fs/19785