Neural networks for pattern recognition / Christopher M. Bishop

Public ISBD Titre : Neural networks for pattern recognition Type de document : texte imprimé Auteurs : Christopher M. Bishop Editeur : Oxford : Clarendon Press Année de publication : 1995 Importance : xvii, 482 p. Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-0-19-853864-6 Catégories : Informatique Mots-clés : Réseaux neuronaux (informatique) Reconnaissance multivues Index. décimale : 006.4 Reconnaissance des formes par ordinateur Résumé : C'est le premier traitement complet des réseaux de neurones à action directe du point de vue de la reconnaissance des formes statistiques. Après avoir présenté les concepts de base, le livre examine les techniques de modélisation des fonctions de densité de probabilité et les propriétés et mérites des modèles de réseaux perceptron multi-couche et de base radiale. Sont également abordées diverses formes de fonctions d'erreur, les algorithmes principaux pour la minimisation de la fonction d'erreur, l'apprentissage et la généralisation dans les réseaux de neurones, et les techniques bayésiennes et leurs applications. Conçu comme un texte, avec plus de 100 exercices, ce travail entièrement à jour bénéficiera à toute personne impliquée dans les domaines du calcul neuronal et de la reconnaissance de formes. Note de contenu : Sommaire : 1, Statistical pattern recognition 2, Probability density estimation 3, Single-layer networks 4, The multi-layer perceptron 5, Radial basis functions 6, Error functions 7, Parameter optimization algorithms 8, Pre-processing and feature extraction 9, Learning and generalization 10, Bayesian techniques Côte titre : Fs/19808 Neural networks for pattern recognition [texte imprimé] / Christopher M. Bishop . - Oxford : Clarendon Press, 1995 . - xvii, 482 p. : ill. ; 24 cm. ISBN : 978-0-19-853864-6 Catégories : Informatique Mots-clés : Réseaux neuronaux (informatique) Reconnaissance multivues Index. décimale : 006.4 Reconnaissance des formes par ordinateur Résumé : C'est le premier traitement complet des réseaux de neurones à action directe du point de vue de la reconnaissance des formes statistiques. Après avoir présenté les concepts de base, le livre examine les techniques de modélisation des fonctions de densité de probabilité et les propriétés et mérites des modèles de réseaux perceptron multi-couche et de base radiale. Sont également abordées diverses formes de fonctions d'erreur, les algorithmes principaux pour la minimisation de la fonction d'erreur, l'apprentissage et la généralisation dans les réseaux de neurones, et les techniques bayésiennes et leurs applications. Conçu comme un texte, avec plus de 100 exercices, ce travail entièrement à jour bénéficiera à toute personne impliquée dans les domaines du calcul neuronal et de la reconnaissance de formes. Note de contenu : Sommaire : 1, Statistical pattern recognition 2, Probability density estimation 3, Single-layer networks 4, The multi-layer perceptron 5, Radial basis functions 6, Error functions 7, Parameter optimization algorithms 8, Pre-processing and feature extraction 9, Learning and generalization 10, Bayesian techniques Côte titre : Fs/19808

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
Fs/19808	Fs/19808	Livre	Bibliothéque des sciences	Français	Disponible Disponible

Pattern recognition and machine learning / Christopher M. Bishop

Public ISBD Titre : Pattern recognition and machine learning Type de document : texte imprimé Auteurs : Christopher M. Bishop, Auteur Editeur : New York : Springer Année de publication : 2006 Collection : Information science and statistics Importance : 1 vol. (738 p.) Présentation : ill. Format : 25 cm ISBN/ISSN/EAN : 978-0-387-31073-2 Note générale : Bibliogr. p. 711-728 Langues : Anglais (eng) Catégories : Informatique Mots-clés : Perception des structures Reconnaissance multivues Apprentissage automatique Modèles linéaires (statistique) Index. décimale : 006.4 Reconnaissance des formes par ordinateur Résumé : C'est le premier manuel sur la reconnaissance des formes qui présente la perspective bayésienne. Le livre présente des algorithmes d'inférence approximatifs qui permettent des réponses approximatives rapides dans des situations où les réponses exactes ne sont pas réalisables. Il utilise des modèles graphiques pour décrire les distributions de probabilité quand aucun autre livre n'applique des modèles graphiques à l'apprentissage automatique. Aucune connaissance préalable des concepts de reconnaissance de formes ou d'apprentissage automatique n'est supposée. La connaissance du calcul multivarié et de l'algèbre linéaire de base est requise, et une certaine expérience dans l'utilisation des probabilités serait utile mais pas essentielle car le livre comprend une introduction autonome à la théorie des probabilités de base. Note de contenu : Sommaire : 1. Introduction 2. Probability distributions 3. Linear models for regression 4. Linear models for classification 5. Neural networks 6. Kernel methods 7. Sparse Kernel machines 8. Graphical models 9. Mixture models and EM 10. Approximate inference 11. Sampling methods 12. Continuous latent variables 13. Sequential data 14. Combining models Côte titre : Fs/19818 Pattern recognition and machine learning [texte imprimé] / Christopher M. Bishop, Auteur . - New York : Springer, 2006 . - 1 vol. (738 p.) : ill. ; 25 cm. - (Information science and statistics) . ISBN : 978-0-387-31073-2 Bibliogr. p. 711-728 Langues : Anglais (eng) Catégories : Informatique Mots-clés : Perception des structures Reconnaissance multivues Apprentissage automatique Modèles linéaires (statistique) Index. décimale : 006.4 Reconnaissance des formes par ordinateur Résumé : C'est le premier manuel sur la reconnaissance des formes qui présente la perspective bayésienne. Le livre présente des algorithmes d'inférence approximatifs qui permettent des réponses approximatives rapides dans des situations où les réponses exactes ne sont pas réalisables. Il utilise des modèles graphiques pour décrire les distributions de probabilité quand aucun autre livre n'applique des modèles graphiques à l'apprentissage automatique. Aucune connaissance préalable des concepts de reconnaissance de formes ou d'apprentissage automatique n'est supposée. La connaissance du calcul multivarié et de l'algèbre linéaire de base est requise, et une certaine expérience dans l'utilisation des probabilités serait utile mais pas essentielle car le livre comprend une introduction autonome à la théorie des probabilités de base. Note de contenu : Sommaire : 1. Introduction 2. Probability distributions 3. Linear models for regression 4. Linear models for classification 5. Neural networks 6. Kernel methods 7. Sparse Kernel machines 8. Graphical models 9. Mixture models and EM 10. Approximate inference 11. Sampling methods 12. Continuous latent variables 13. Sequential data 14. Combining models Côte titre : Fs/19818

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
Fs/19818	Fs/19818	Livre	Bibliothéque des sciences	Français	Disponible Disponible

---

1 (1 - 2 / 2)