Nouveauté
Apprentissage Automatique en Python. Apprentissage non Supervisé: Réduction Dimensionnelle, Segmentation et Réseaux Neuronaux. MACHINE LEARNING
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8232147303
- EAN9798232147303
- Date de parution11/11/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurHamza elmir
Résumé
L'apprentissage automatique est un domaine interdisciplinaire qui utilise des méthodes, des algorithmes, des processus et des systèmes pour extraire des connaissances et des conclusions à partir de données structurées et non structurées. Il combine des éléments de statistiques, d'informatique, de mathématiques et de techniques analytiques pour résoudre des problèmes, établir des prédictions et générer de la valeur à partir des données.
Il s'appuie sur le big data pour découvrir des modèles, des tendances et des relations utiles à la prise de décision dans divers secteurs. Il constitue un support important pour l'intelligence artificielle. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues pour prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart de ces techniques d'apprentissage non supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel Python. Les techniques suivantes sont abordées : réduction de dimension, analyse en composantes principales, analyse factorielle, analyse des correspondances simples, analyse des correspondances multiples, mise à l'échelle multidimensionnelle, réseaux neuronaux (SOM Kohonen, etc.), reconnaissance de formes, détection d'anomalies, autoencodeurs, traitement d'images et réseaux neuronaux convolutifs (CNN).
Il s'appuie sur le big data pour découvrir des modèles, des tendances et des relations utiles à la prise de décision dans divers secteurs. Il constitue un support important pour l'intelligence artificielle. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues pour prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart de ces techniques d'apprentissage non supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel Python. Les techniques suivantes sont abordées : réduction de dimension, analyse en composantes principales, analyse factorielle, analyse des correspondances simples, analyse des correspondances multiples, mise à l'échelle multidimensionnelle, réseaux neuronaux (SOM Kohonen, etc.), reconnaissance de formes, détection d'anomalies, autoencodeurs, traitement d'images et réseaux neuronaux convolutifs (CNN).
L'apprentissage automatique est un domaine interdisciplinaire qui utilise des méthodes, des algorithmes, des processus et des systèmes pour extraire des connaissances et des conclusions à partir de données structurées et non structurées. Il combine des éléments de statistiques, d'informatique, de mathématiques et de techniques analytiques pour résoudre des problèmes, établir des prédictions et générer de la valeur à partir des données.
Il s'appuie sur le big data pour découvrir des modèles, des tendances et des relations utiles à la prise de décision dans divers secteurs. Il constitue un support important pour l'intelligence artificielle. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues pour prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart de ces techniques d'apprentissage non supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel Python. Les techniques suivantes sont abordées : réduction de dimension, analyse en composantes principales, analyse factorielle, analyse des correspondances simples, analyse des correspondances multiples, mise à l'échelle multidimensionnelle, réseaux neuronaux (SOM Kohonen, etc.), reconnaissance de formes, détection d'anomalies, autoencodeurs, traitement d'images et réseaux neuronaux convolutifs (CNN).
Il s'appuie sur le big data pour découvrir des modèles, des tendances et des relations utiles à la prise de décision dans divers secteurs. Il constitue un support important pour l'intelligence artificielle. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues pour prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart de ces techniques d'apprentissage non supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel Python. Les techniques suivantes sont abordées : réduction de dimension, analyse en composantes principales, analyse factorielle, analyse des correspondances simples, analyse des correspondances multiples, mise à l'échelle multidimensionnelle, réseaux neuronaux (SOM Kohonen, etc.), reconnaissance de formes, détection d'anomalies, autoencodeurs, traitement d'images et réseaux neuronaux convolutifs (CNN).
