Apprentissage statistique

Par : Gérard Dreyfus
Offrir maintenant
Ou planifier dans votre panier
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format PDF protégé 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
  • Non compatible avec un achat hors France métropolitaine
Logo Vivlio, 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 :
Google PlayApp Store
  • Nombre de pages450
  • FormatPDF
  • ISBN978-2-212-04298-6
  • EAN9782212042986
  • Date de parution07/07/2011
  • Protection num.Adobe DRM
  • Infos supplémentairespdf
  • ÉditeurEyrolles

Résumé

L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines. Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données.
Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires. Cet ouvrage est la mise à jour du livre "Réseaux de neurones - Méthodologie et applications". À qui s'adresse ce livre ? Aux ingénieurs, chercheurs et décideurs ayant à résoudre des problèmes de modélisation, de reconnaissance, de prévision, de commande, etc.
Aux étudiants et élèves ingénieurs des disciplines scientifiques et économiques, et à leurs enseignants. Sur le CD-Rom offert avec ce livre Cinq exemples de modèles avec données et codes source. Version d'évaluation (6 semaines) de Neuro One 6.10.7 pour Windows NT4, 2000, 2003 et XP : un outil dédié convivial pour la création de modèles de réseaux de neurones. Un compilateur C pour MS-Windows.
Bibliothèque non linéaire MonaEx70.dll, niveau 0. Configuration minimale requise : PC avec processeur Pentium 2 (ou équivalent) - MS-Windows 98/NT, 2000 ou XP - Fréquence supérieure à 100 MHz - 25 Mo d'espace disque disponible - 64 Mo de RAM.
Gérard Dreyfus dirige le laboratoire d'électronique de l'École supérieure de physique et de chimie industrielles de la ville de Paris (ESPCI) où il enseigne notamment les méthodes de modélisation par apprentissage. Il dispense des formations continues à l'usage des ingénieurs dans ce domaine. Jean-Marc Martinez est expert senior et enseignant-chercheur au Commissariat à l'Énergie Atomique dans le domaine de l'apprentissage statistique et de la modélisation des incertitudes en simulation numérique.
Il développe et applique ces méthodes au CEA et les enseigne dans diverses universités et écoles. Manuel Samuelides dirige le département de mathématiques appliquées de l'ENSAE (Supaéro); il y enseigne les probabilités, l'optimisation et les techniques probabilistes de l'apprentissage. Il effectue des recherches au département de traitement de l'information et modélisation de l'ONERA. Mirta B.
Gordon, physicienne, directrice de recherches au CNRS, est responsable de l'équipe "Apprentissage : modèles et algorithmes" (AMA) au sein du laboratoire TIMC-IMAG (Grenoble). Elle effectue des recherches sur la modélisation des systèmes complexes adaptatifs, et sur la théorie et les algorithmes d'apprentissage. Elle enseigne ces sujets dans différentes écoles doctorales. Fouad Badran, professeur au CNAM, y enseigne les réseaux de neurones. Sylvie Thiria, professeur à l'université de Versailles Saint-Quentin-en-Yvelines, effectue des recherches sur la modélisation neuronale et sur ses applications, notamment à la géophysique, au laboratoire d'océanographie dynamique et de climatologie (LODYC).