Nouveauté
Techniques et Outils pour L'intelligence Artificielle. Réseaux Neuronaux via R et Python
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
- ISBN8231161836
- EAN9798231161836
- Date de parution22/07/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurWalzone Press
Résumé
L'intelligence artificielle est le fondement de l'apprentissage automatique et l'avenir de tous les processus décisionnels complexes. L'intelligence artificielle combine des algorithmes mathématiques et des techniques de Machine Learning, Deep Learning et Big Data pour extraire les connaissances contenues dans les données et les présenter de manière compréhensible et automatique. Ce livre traite de l'utilisation des réseaux neuronaux pour l'apprentissage supervisé et non supervisé.
En ce qui concerne l'apprentissage supervisé, les architectures les plus courantes sont examinées, telles que le perceptron multicouche, le réseau à base radiale, les réseaux ADALINE, les réseaux HOPFIELD, les réseaux probabilistes, les réseaux linéaires, les réseaux de régression généralisée, les réseaux LVQ, les réseaux linéaires et les réseaux pour l'optimisation des modèles de régression. Dans cette section de l'analyse supervisée, il convient d'accorder une attention particulière aux réseaux neuronaux pour la prédiction des séries temporelles tels que le réseau LSTM, les réseaux GRU, les réseaux neuronaux récurrents RNN, les réseaux NARX, les réseaux NNAR et, en général, les réseaux neuronaux dynamiques.
L'apprentissage non supervisé développe des réseaux de reconnaissance des formes et d'analyse des clusters tels que les réseaux KOHONEN (SOM Self-Organising Maps), les réseaux de reconnaissance des formes, les réseaux neuronaux autoencodeurs, les réseaux d'apprentissage par transfert, les réseaux de détection d'anomalies et les réseaux neuronaux convolutifs. Les sujets suivants décrivent méthodologiquement les architectures des différents types de réseaux neuronaux et leur utilité dans les applications pratiques.
En outre, pour chaque type de réseau neuronal, des exemples sont présentés avec une syntaxe optimale dans les langages R et Python.
En ce qui concerne l'apprentissage supervisé, les architectures les plus courantes sont examinées, telles que le perceptron multicouche, le réseau à base radiale, les réseaux ADALINE, les réseaux HOPFIELD, les réseaux probabilistes, les réseaux linéaires, les réseaux de régression généralisée, les réseaux LVQ, les réseaux linéaires et les réseaux pour l'optimisation des modèles de régression. Dans cette section de l'analyse supervisée, il convient d'accorder une attention particulière aux réseaux neuronaux pour la prédiction des séries temporelles tels que le réseau LSTM, les réseaux GRU, les réseaux neuronaux récurrents RNN, les réseaux NARX, les réseaux NNAR et, en général, les réseaux neuronaux dynamiques.
L'apprentissage non supervisé développe des réseaux de reconnaissance des formes et d'analyse des clusters tels que les réseaux KOHONEN (SOM Self-Organising Maps), les réseaux de reconnaissance des formes, les réseaux neuronaux autoencodeurs, les réseaux d'apprentissage par transfert, les réseaux de détection d'anomalies et les réseaux neuronaux convolutifs. Les sujets suivants décrivent méthodologiquement les architectures des différents types de réseaux neuronaux et leur utilité dans les applications pratiques.
En outre, pour chaque type de réseau neuronal, des exemples sont présentés avec une syntaxe optimale dans les langages R et Python.
L'intelligence artificielle est le fondement de l'apprentissage automatique et l'avenir de tous les processus décisionnels complexes. L'intelligence artificielle combine des algorithmes mathématiques et des techniques de Machine Learning, Deep Learning et Big Data pour extraire les connaissances contenues dans les données et les présenter de manière compréhensible et automatique. Ce livre traite de l'utilisation des réseaux neuronaux pour l'apprentissage supervisé et non supervisé.
En ce qui concerne l'apprentissage supervisé, les architectures les plus courantes sont examinées, telles que le perceptron multicouche, le réseau à base radiale, les réseaux ADALINE, les réseaux HOPFIELD, les réseaux probabilistes, les réseaux linéaires, les réseaux de régression généralisée, les réseaux LVQ, les réseaux linéaires et les réseaux pour l'optimisation des modèles de régression. Dans cette section de l'analyse supervisée, il convient d'accorder une attention particulière aux réseaux neuronaux pour la prédiction des séries temporelles tels que le réseau LSTM, les réseaux GRU, les réseaux neuronaux récurrents RNN, les réseaux NARX, les réseaux NNAR et, en général, les réseaux neuronaux dynamiques.
L'apprentissage non supervisé développe des réseaux de reconnaissance des formes et d'analyse des clusters tels que les réseaux KOHONEN (SOM Self-Organising Maps), les réseaux de reconnaissance des formes, les réseaux neuronaux autoencodeurs, les réseaux d'apprentissage par transfert, les réseaux de détection d'anomalies et les réseaux neuronaux convolutifs. Les sujets suivants décrivent méthodologiquement les architectures des différents types de réseaux neuronaux et leur utilité dans les applications pratiques.
En outre, pour chaque type de réseau neuronal, des exemples sont présentés avec une syntaxe optimale dans les langages R et Python.
En ce qui concerne l'apprentissage supervisé, les architectures les plus courantes sont examinées, telles que le perceptron multicouche, le réseau à base radiale, les réseaux ADALINE, les réseaux HOPFIELD, les réseaux probabilistes, les réseaux linéaires, les réseaux de régression généralisée, les réseaux LVQ, les réseaux linéaires et les réseaux pour l'optimisation des modèles de régression. Dans cette section de l'analyse supervisée, il convient d'accorder une attention particulière aux réseaux neuronaux pour la prédiction des séries temporelles tels que le réseau LSTM, les réseaux GRU, les réseaux neuronaux récurrents RNN, les réseaux NARX, les réseaux NNAR et, en général, les réseaux neuronaux dynamiques.
L'apprentissage non supervisé développe des réseaux de reconnaissance des formes et d'analyse des clusters tels que les réseaux KOHONEN (SOM Self-Organising Maps), les réseaux de reconnaissance des formes, les réseaux neuronaux autoencodeurs, les réseaux d'apprentissage par transfert, les réseaux de détection d'anomalies et les réseaux neuronaux convolutifs. Les sujets suivants décrivent méthodologiquement les architectures des différents types de réseaux neuronaux et leur utilité dans les applications pratiques.
En outre, pour chaque type de réseau neuronal, des exemples sont présentés avec une syntaxe optimale dans les langages R et Python.
