Logo du site IziBook.eyrolles.com Logo du site IziBook.eyrolles.com Logo du site IziBook.eyrolles.com Logo du site IziBook.eyrolles.com
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
2.3 Considérations pratiques
2.4 Cas multi-classe
 
Chapitre 3 Algorithmes d’optimisation à direction de descente
3.1 Algorithme du gradient
3.2 Méthode de quasi-Newton
3.4 Méthode du gradient conjugué
 
Chapitre 4 Deep Learning
4.1 Perceptron
4.2 Adaline
4.3 Régression logistique
4.4 Perceptron multi-couche
4.5 Réseaux convolutifs et récurrents
4.6 Considérations pratiques
 
Chapitre 5 Séparateurs à Vaste Marge
5.1 Notion de marge
5.2 Astuce du noyau
5.3 Étude théorique et cas multi-classe
 
Chapitre 6 Boosting
6.1 Adaboost
6.2 Étude théorique
6.3 AdaBoost multi-classe
 
Chapitre 7 Apprentissage semi-supervisé
7.1 Cadre non supervisé et hypothèses de base
7.2 Méthodes génératives
7.3 Méthodes discriminantes
7.4 Méthodes graphiques
 
Chapitre 8 Apprentissage de fonctions d’ordonnancement
8.1 Formalisme
8.2 Approches
8.3 Apprentissage avec des données interdépendantes
 
Annexes Rappels et compléments
Annexe A Rappels de probabilités
Annexe B Codes programmes
Bibliographie
Index

Editeur : Eyrolles

Auteur(s) : Amini Massih-Reza

Publication : 25 mars 2020

Edition : 2e édition

Intérieur : Noir & blanc

Support(s) : eBook [PDF]

Contenu(s) : PDF

Protection(s) : Marquage social (PDF)

Taille(s) : 9,3 Mo (PDF)

Langue(s) : Français

Code(s) CLIL : 3255

EAN13 eBook [PDF] : 9782212308266

EAN13 (papier) : 9782212679472

Référencer ce produit sur votre site

Du même thème

Ils ont également acheté