Titre :	Foundations of machine learning
Type de document :	texte imprimé
Auteurs :	Mehryar Mohri ; Afshin Rostamizadeh ; Ameet Talwalkar
Editeur :	Cambridge, MA : MIT Press
Année de publication :	2012
Importance :	1 vol. (412 p.)
Présentation :	ill.,
Format :	24 cm
ISBN/ISSN/EAN :	978-0-262-01825-8
Catégories :	Informatique
Mots-clés :	Apprentissage automatique Algorithmes Réseaux neuronaux (physiologie)
Index. décimale :	006.3 Intelligence artificielle
Résumé :	Ce manuel de niveau supérieur introduit des concepts et des méthodes fondamentaux dans l'apprentissage automatique. Il décrit plusieurs algorithmes modernes importants, fournit les fondements théoriques de ces algorithmes et illustre les aspects clés de leur application. Les auteurs visent à présenter de nouveaux outils et concepts théoriques tout en donnant des preuves concises, même pour des sujets relativement avancés. Foundations of Machine Learning remplit le besoin d'un manuel général qui offre également des détails théoriques et met l'accent sur les preuves. Certains sujets qui sont souvent enrichis avec une attention insuffisante sont discutés plus en détail ici; par exemple, des chapitres entiers sont consacrés à la régression, à la classification multi-classe et au classement. Les trois premiers chapitres constituent la base théorique de ce qui suit, mais chaque chapitre restant est pour la plupart indépendant. L'annexe propose une revue de probabilité concise, une brève introduction à l'optimisation convexe, des outils de limites de concentration, et plusieurs propriétés de base des matrices et des normes utilisées dans le livre. Le livre est destiné aux étudiants des cycles supérieurs et aux chercheurs en apprentissage automatique, en statistiques et dans des domaines connexes. il peut être utilisé comme manuel ou comme texte de référence pour un séminaire de recherche.
Note de contenu :	Sommaire 1 Introduction 2 The PAC Learning Framework 3 Rademacher Complexity and VC Dimension 4 Support Vector Machines 5 Kernel Methods 6 Boosting 7 OnLine L 8 MultiClass Classification 9 Ranking 10 Regression 11 Algorithmic Stability 12 Dimensionality Reduction 13 Learning Automata and Languages 14 Reinforcement Learning Conclusion Appendix A Linear Algebra Review Appendix B Convex Optimization Appendix C Probability Review Appendix D Concentration inequalities Appendix E Notation References Index
Côte titre :	Fs/19754

Foundations of machine learning [texte imprimé] / Mehryar Mohri ; Afshin Rostamizadeh ; Ameet Talwalkar . - Cambridge, MA : MIT Press, 2012 . - 1 vol. (412 p.) : ill., ; 24 cm.
ISBN : 978-0-262-01825-8

Catégories :	Informatique
Mots-clés :	Apprentissage automatique Algorithmes Réseaux neuronaux (physiologie)
Index. décimale :	006.3 Intelligence artificielle
Résumé :	Ce manuel de niveau supérieur introduit des concepts et des méthodes fondamentaux dans l'apprentissage automatique. Il décrit plusieurs algorithmes modernes importants, fournit les fondements théoriques de ces algorithmes et illustre les aspects clés de leur application. Les auteurs visent à présenter de nouveaux outils et concepts théoriques tout en donnant des preuves concises, même pour des sujets relativement avancés. Foundations of Machine Learning remplit le besoin d'un manuel général qui offre également des détails théoriques et met l'accent sur les preuves. Certains sujets qui sont souvent enrichis avec une attention insuffisante sont discutés plus en détail ici; par exemple, des chapitres entiers sont consacrés à la régression, à la classification multi-classe et au classement. Les trois premiers chapitres constituent la base théorique de ce qui suit, mais chaque chapitre restant est pour la plupart indépendant. L'annexe propose une revue de probabilité concise, une brève introduction à l'optimisation convexe, des outils de limites de concentration, et plusieurs propriétés de base des matrices et des normes utilisées dans le livre. Le livre est destiné aux étudiants des cycles supérieurs et aux chercheurs en apprentissage automatique, en statistiques et dans des domaines connexes. il peut être utilisé comme manuel ou comme texte de référence pour un séminaire de recherche.
Note de contenu :	Sommaire 1 Introduction 2 The PAC Learning Framework 3 Rademacher Complexity and VC Dimension 4 Support Vector Machines 5 Kernel Methods 6 Boosting 7 OnLine L 8 MultiClass Classification 9 Ranking 10 Regression 11 Algorithmic Stability 12 Dimensionality Reduction 13 Learning Automata and Languages 14 Reinforcement Learning Conclusion Appendix A Linear Algebra Review Appendix B Convex Optimization Appendix C Probability Review Appendix D Concentration inequalities Appendix E Notation References Index
Côte titre :	Fs/19754