Méthodes factorielles pour l'analyse des données : méthodes linéaires et extensions non-linéaires

Par : Michel Crucianu
Formats :
  • Paiement en ligne :
    • Livraison à domicile ou en point Mondial Relay estimée à partir du 22 septembre
      Cet article sera commandé chez un fournisseur et vous sera envoyé 25 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 pages288
  • PrésentationBroché
  • Poids0.45 kg
  • Dimensions16,0 cm × 24,0 cm × 0,1 cm
  • ISBN2-7462-0921-7
  • EAN9782746209213
  • Date de parution01/06/2004
  • ÉditeurHermes Science Publications

Résumé

Ce livre présente les principales méthodes d'analyse factorielle linéaire (analyse en composantes principales, analyse des correspondances binaires, analyse des correspondances multiples, analyse discriminante). Les méthodes d'analyse non linéaire des données, à base de noyaux (kernel principal component analysis, kernel discriminant analysis) ou à base de réseaux de neurones, sont également abordées.
Des exemples d'application et des exercices avec leurs solutions ou des indications pour la solution sont associés à chaque méthode et permettent au lecteur de consolider ses connaissances.
Michel Crucianu est maître de conférences en informatique à l'Ecole Polytechnique de l'Université François Rabelais de Tours. Ses recherches portent sur les méthodes statistiques d'apprentissage et sur la recherche d'images par le contenu. - Jean-Pierre Asselin de Beauville est professeur d'informatique à l'Université François Rabelais, où il a dirigé le Laboratoire d'Informatique. Depuis 1998, il est détaché comme vice-recteur aux programmes à l'Agence Universitaire de la Francophonie.
Ses recherches portent sur les méthodes statistiques d'apprentissage et de décision. - Romuald Boné est maître de conférences en informatique à l'école d'ingénieurs du Val de Loire de l'Université François Rabelais. Ses recherches portent sur les réseaux de neurones artificiels pour la prévision et sur les méthodes d'apprentissage pour la reconnaissance des formes.