Parcourir en ligne

Machine learning - 2e édition

Programmes libres (gplv3) essentiels au développement de solutions big data

de Amini Massih-Reza

Maison d'édition : Eyrolles

mars 2020

Parcourir en ligne

eBook [PDF]

328 pages Téléchargement après achat

26,99 €

Machine Learning et intelligence artificielle

Le Machine Learning est l’un des domaines de l’intelligence artificielle qui a pour but de concevoir des programmes qui ne sont pas explicitement codés pour s’acquitter d’une tâche particulière. Les concepts de ce domaine sont fondés sur la logique inférentielle et tentent de dégager des règles générales à partir d’un nombre fini d’observations.

Un ouvrage de référence

Cet ouvrage présente les fondements scientifiques de la théorie de l’apprentissage supervisé, les algorithmes les plus répandus développés suivant ce domaine ainsi que les deux cadres de l’apprentissage semi-supervisé et de l’ordonnancement, à un niveau accessible aux étudiants de master et aux élèves ingénieurs. La première édition, connue sous le nom Apprentissage machine, fut traduite en chinois par les éditions iTuring. Dans cette deuxième édition, un nouveau chapitre est dédié au Deep Learning, sur les réseaux de neurones artificiels, et nous avons réorganisé les autres chapitres pour un exposé cohérent reliant la théorie aux algorithmes développés dans cette sphère. Vous trouverez également dans cette édition quelques programmes des algorithmes classiques, écrits en langages Python et C (langages à la fois simples et populaires), et à destination des lecteurs qui souhaitent connaître le fonctionnement de ces modèles désignés parfois comme des boîtes noires. Ces programmes libres (GPLv3) essentiels au développement de solutions big data sont déposés progressivement sur ce gitlab (https://gricadgitlab.univ-grenoble-alpes.fr/aminima/machine-learning-tools).

À qui s’adresse ce livre ?

• Aux élèves ingénieurs, étudiants de master et doctorants en mathématiques appliquées, algorithmique, recherche opérationnelle, gestion de production, aide à la décision.

• Aux ingénieurs, enseignants-chercheurs, informaticiens, industriels, économistes et décideurs ayant à résoudre des problèmes de classification, de partitionnement et d’ordonnancement à large échelle.

Table des figures

Liste des algorithmes

Avant-propos

Concepts étudiés

Organisation du livre

Chapitre 1 Principes de base en apprentissage supervisé

1.1 Principe de la minimisation du risque Empirique

1.2 Consistance du principe MRE

1.3 Principe de la Minimisation du Risque Structurel

Chapitre 2 Bornes de généralisation dépendantes des données

2.1 Complexité de Rademacher

2.2 Lien entre la complexité de Rademacher et la dimension VC