Apprentissage de Modèles Graphiques Probabilistes. De l'identification de structures de réseaux bayésiens à la reconnaissance de formes
Par :Formats :
- Paiement en ligne :
- Livraison à domicile ou en point Mondial Relay estimée à partir du 7 septembreCet 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
- Réservation en ligne avec paiement en magasin :
- Indisponible pour réserver et payer en magasin
- Nombre de pages231
- FormatGrand Format
- PrésentationBroché
- Poids0.405 kg
- Dimensions15,2 cm × 23,0 cm × 1,7 cm
- ISBN978-613-1-53251-1
- EAN9786131532511
- Date de parution03/09/2010
- ÉditeurEd. Universitaires Européennes
Résumé
Les modèles graphiques probabilistes sont un formalisme mêlant efficacement la théorie des graphes, permettant des représentations intuitives, et la théorie des probabilités, permettant la prise en compte d'incertitudes et d'imprécisions. La montée en puissance de ces modèles ces dernières décennies a abouti en l'attribution de la médaille Benjamin Franklin à Judea Pearl en informatique et sciences cognitives en 2008.
Ce dernier a introduit les premiers algorithmes généraux de raisonnement dans l'incertain qui promettent des avancées majeures en traitement de l'information. Envisager les ordinateurs comme des machines pouvant découvrir par elle-mêmes des relations causales dissimulées au sein des millions d'observations disponibles dans les bases de données sans cesse alimentées automatiquement à travers le monde est devenue une réalité.
L'utilisation des modèles graphiques impacte profondément l'intelligence artificielle ainsi que les statistiques appliquées. Ces modèles peuvent alors se révélés utiles dans les nombreux domaines applicatifs liés au traitement du signal et à l'apprentissage automatique, notamment sur la problématique d'extraction de connaissances.
Ce dernier a introduit les premiers algorithmes généraux de raisonnement dans l'incertain qui promettent des avancées majeures en traitement de l'information. Envisager les ordinateurs comme des machines pouvant découvrir par elle-mêmes des relations causales dissimulées au sein des millions d'observations disponibles dans les bases de données sans cesse alimentées automatiquement à travers le monde est devenue une réalité.
L'utilisation des modèles graphiques impacte profondément l'intelligence artificielle ainsi que les statistiques appliquées. Ces modèles peuvent alors se révélés utiles dans les nombreux domaines applicatifs liés au traitement du signal et à l'apprentissage automatique, notamment sur la problématique d'extraction de connaissances.