Phd en informatique et optimisation. Depuis 2005, je suis Responsable du Departememt Informatique et enseignant chercheur à l'EISTI Cergy France. J'ensigne de la RO, du data-minig et du génie logiciel. De 2004 à 2006 j'ai enseigné à l'INSA de Toulouse, et de 1999 à 2004 j'était enseignant chercheur à l'EIVD, école d'ingénieurs à Yverdon (Suisse)
Optimisation et apprentissage
Par : ,Formats :
- Nombre de pages252
- PrésentationRelié
- FormatGrand Format
- Poids0.545 kg
- Dimensions16,3 cm × 24,0 cm × 2,0 cm
- ISBN978-1-78948-071-9
- EAN9781789480719
- Date de parution01/01/2023
- CollectionSciences. Informatique. Recher
- ÉditeurISTE éditions
Résumé
Les domaines de l'apprentissage automatique et de l'optimisation sont aujourd'hui étroitement liés. Les problèmes d'optimisation constituent le coeur des méthodes d'apprentissage automatique et les algorithmes d'optimisation utilisent de plus en plus ces méthodes pour améliorer leur efficacité. Trois composantes sont partagées : la représentation, l'évaluation et la recherche itérative. Alors que les méthodes d'optimisation sont généralement conçues pour être rapides et précises sur des modèles implicites, les problèmes d'apprentissage automatique posent de nouveaux défis aux chercheurs en optimisation, amenant les praticiens de l'apprentissage automatique à créer des algorithmes d'optimisation génériques plus simples.
L'apprentissage automatique, ainsi que l'optimisation, trouvent leurs applications dans de nombreux domaines scientifiques. Illustré de cas concrets, Optimisation et apprentissage examine l'interaction entre ces deux domaines, mettant en évidence leurs principales similitudes et leur coopération.
L'apprentissage automatique, ainsi que l'optimisation, trouvent leurs applications dans de nombreux domaines scientifiques. Illustré de cas concrets, Optimisation et apprentissage examine l'interaction entre ces deux domaines, mettant en évidence leurs principales similitudes et leur coopération.
Les domaines de l'apprentissage automatique et de l'optimisation sont aujourd'hui étroitement liés. Les problèmes d'optimisation constituent le coeur des méthodes d'apprentissage automatique et les algorithmes d'optimisation utilisent de plus en plus ces méthodes pour améliorer leur efficacité. Trois composantes sont partagées : la représentation, l'évaluation et la recherche itérative. Alors que les méthodes d'optimisation sont généralement conçues pour être rapides et précises sur des modèles implicites, les problèmes d'apprentissage automatique posent de nouveaux défis aux chercheurs en optimisation, amenant les praticiens de l'apprentissage automatique à créer des algorithmes d'optimisation génériques plus simples.
L'apprentissage automatique, ainsi que l'optimisation, trouvent leurs applications dans de nombreux domaines scientifiques. Illustré de cas concrets, Optimisation et apprentissage examine l'interaction entre ces deux domaines, mettant en évidence leurs principales similitudes et leur coopération.
L'apprentissage automatique, ainsi que l'optimisation, trouvent leurs applications dans de nombreux domaines scientifiques. Illustré de cas concrets, Optimisation et apprentissage examine l'interaction entre ces deux domaines, mettant en évidence leurs principales similitudes et leur coopération.
