Aiguillage de requêtes de data-mining
Par :Formats :
- Paiement en ligne :
- Livraison à domicile ou en point Mondial Relay estimée à partir du 7 octobreCet article sera commandé chez un fournisseur et vous sera envoyé 21 jours après la date de votre commande.
- Retrait Click and Collect en magasin gratuit
- Nombre de pages88
- PrésentationBroché
- Poids0.142 kg
- Dimensions15,2 cm × 22,9 cm × 0,5 cm
- ISBN978-613-1-53101-9
- EAN9786131531019
- Date de parution27/08/2010
- CollectionOMN.UNIV.EUROP.
- ÉditeurUniv Européenne
Résumé
Le forage de données ("data mining") se fait à partir de plusieurs techniques d''apprentissage automatique. Chacune étant propice à extraire des connaissances de nature différente ou dans des contextes différents, il importe de choisir la bonne technique selon le problème posé. Les algorithmes d''apprentissage automatique possédant chacun des forces et faiblesses qui leur sont propres pour divers types de problème de découverte des connaissances à partir de données, certains auront un meilleur taux de succès ou un plus court temps d''exécution que d''autres.
Cet ouvrage propose une méthode pour aiguiller automatiquement diverses requêtes de forage de données vers différents modules d''extraction de connaissances déjà existants selon le type des données à analyser. Cette sélection automatique permettra à un utilisateur non expert de tirer profit de l''apprentissage automatique sans avoir les connaissances nécessaires pour bien choisir un algorithme d''apprentissage automatique, et devrait améliorer l''efficacité en termes de taux d''exactitude de l''hypothèse émise et de temps d''exécution de l''algorithme d''apprentissage automatique choisi.
Cet ouvrage propose une méthode pour aiguiller automatiquement diverses requêtes de forage de données vers différents modules d''extraction de connaissances déjà existants selon le type des données à analyser. Cette sélection automatique permettra à un utilisateur non expert de tirer profit de l''apprentissage automatique sans avoir les connaissances nécessaires pour bien choisir un algorithme d''apprentissage automatique, et devrait améliorer l''efficacité en termes de taux d''exactitude de l''hypothèse émise et de temps d''exécution de l''algorithme d''apprentissage automatique choisi.