| Titre : |
Apprentissage statistique [Multimédia multisupport] |
| Type de document : |
texte imprimé |
| Auteurs : |
Dreyfus, Gérard, Auteur ; J.-M. Martinez,, Auteur ; M. Samuelides, Auteur |
| Editeur : |
Eyrolles |
| Année de publication : |
2008 |
| Collection : |
Algorithmes |
| Importance : |
449p |
| Présentation : |
coul |
| Format : |
23/17 cm |
| Accompagnement : |
1 disque optique numérique (CD-ROM) |
| ISBN/ISSN/EAN : |
978-2-212-12229-9 |
| Prix : |
52 EUR |
| Note générale : |
ndex.
La couv. porte en plus : "Réseaux de neurones, cartes topologiques, machines à vecteurs supports", "Prévision, data mining, bio-ingéniérie, reconnaissance de formes, robotique et commande de processus".
Type de ressource électronique : données textuelles et logiciel d'application.
Configuration requise : PC Pentium 2 100 Mhz ; 64 Mo de mémoire vive ; MS-Windows 98/NT, 2000, XP ; 25 Mo d'espace disque disponible |
| Langues : |
Français (fre) |
| Mots-clés : |
Réseaux neuronaux (informatique) Guides, manuels, etc.
non fiction
édition commerciale
expert, spécialiste
enseignement supérieur
logiciel(s) d'application |
| Résumé : |
L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines.
Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données. Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires. |
Apprentissage statistique [Multimédia multisupport] [texte imprimé] / Dreyfus, Gérard, Auteur ; J.-M. Martinez,, Auteur ; M. Samuelides, Auteur . - [S.l.] : Eyrolles, 2008 . - 449p : coul ; 23/17 cm + 1 disque optique numérique (CD-ROM). - ( Algorithmes) . ISBN : 978-2-212-12229-9 : 52 EUR ndex.
La couv. porte en plus : "Réseaux de neurones, cartes topologiques, machines à vecteurs supports", "Prévision, data mining, bio-ingéniérie, reconnaissance de formes, robotique et commande de processus".
Type de ressource électronique : données textuelles et logiciel d'application.
Configuration requise : PC Pentium 2 100 Mhz ; 64 Mo de mémoire vive ; MS-Windows 98/NT, 2000, XP ; 25 Mo d'espace disque disponible Langues : Français ( fre)
| Mots-clés : |
Réseaux neuronaux (informatique) Guides, manuels, etc.
non fiction
édition commerciale
expert, spécialiste
enseignement supérieur
logiciel(s) d'application |
| Résumé : |
L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines.
Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données. Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires. |
|  |
Affiner la recherche
