Apprentissage artificiel : deep learning, concepts et algorithmes

Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financ...

Descrición completa

Gardado en:
Detalles Bibliográficos
Auteurs principaux: Cornuéjols, Antoine, 19..-, Miclet, Laurent, 19..- (Auteur), Barra, Vincent, 19..-...., chercheur en informatique de modélisation (Auteur)
Formato: Livre papier
Idioma:Français
Publicado: Paris : Eyrolles DL 2018.
Edición:3e édition.
Series:Algorithmes
Sujets:
Nota: Autres tirages : 2019
Autres localisations: Voir dans le Sudoc
Table des matières:
  • P. iii
  • Table des matières
  • P. ix
  • Notations
  • P. 1
  • I Des machines apprenantes !
  • P. 3
  • 1 Des algorithmes qui apprennent ?
  • P. 43
  • 2 Introduction à des approches théoriques de l'induction supervisée
  • P. 85
  • II L'induction exploitant la structure de l'espace des hypothèses
  • P. 87
  • 3 Exploitation d'une relation de généralité entre hypothèses
  • P. 111
  • 4 L'inférence grammaticale
  • P. 153
  • 5 La programmation logique inductive
  • P. 191
  • 6 La recherche de motifs dans les données
  • P. 213
  • 7 Apprentissage et théorie du domaine
  • P. 237
  • III L'induction par optimisation d'un critère inductif
  • P. 239
  • 8 L'apprentissage de modèles linéaires
  • P. 269
  • 9 L'apprentissage de réseaux connexionnistes
  • P. 301
  • 10 Apprentissage profond
  • P. 339
  • IV L'induction par comparaison à des exemples (et par collaboration)
  • P. 341
  • 11 Apprentissage par similarité
  • P. 371
  • 12 Méthodes à noyaux
  • P. 431
  • 13 Apprentissage par combinaison d'experts
  • P. 471
  • V L'apprentissage descriptif
  • P. 473
  • 14 Apprentissages non supervisés
  • P. 501
  • 15 Les changements de représentation
  • P. 531
  • 16 L'apprentissage bayésien et son approximation
  • P. 573
  • 17 L'apprentissage de réseaux bayésiens
  • P. 603
  • 18 L'apprentissage de modèles de Markov cachés
  • P. 627
  • VI Apprentissage en environnement non stationnaire
  • P. 629
  • 19 L'apprentissage de réflexes par renforcement
  • P. 671
  • 20 Nouveaux scénarios : apprentissages actif, en ligne et par transfert
  • P. 707
  • VII Aspects pratiques et suppléments
  • P. 790
  • 21 L'apprentissage semi-supervisé
  • P. 733
  • 22 Analyse de l'induction : approfondissement et ouvertures
  • P. 767
  • 23 Aspects pratiques de l'apprentissage
  • P. 817
  • VIII Annexes techniques
  • P. 819
  • 24 Annexes techniques
  • P. 851
  • Bibliographie
  • P. 891
  • Index