Apprentissage artificiel

Titre : Apprentissage artificiel
Auteur : Antoine Cornuéjols
Éditeur : Editions Eyrolles
ISBN-13 : 9782212083019
Libération : 2011-07-07

Télécharger Lire en ligne



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 financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web... Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples. Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel". À qui s'adresse ce livre ? Ce livre s'adresse tant aux décideurs et aux ingénieurs qui souhaitent mettre au point des applications qu'aux étudiants de niveau Master 1 et 2 et en école d'ingénieurs, qui souhaitent un ouvrage de référence sur ce domaine clé de l'intelligence artificielle.

Machine Learning

Titre : Machine Learning
Auteur : Peter Flach
Éditeur : Cambridge University Press
ISBN-13 : 9781107096394
Libération : 2012-09-20

Télécharger Lire en ligne



Covering all the main approaches in state-of-the-art machine learning research, this will set a new standard as an introductory textbook.

Advances on Practical Applications of Agents and Multi Agent Systems

Titre : Advances on Practical Applications of Agents and Multi Agent Systems
Auteur : Yves Demazeau
Éditeur : Springer
ISBN-13 : 9783642380730
Libération : 2013-04-17

Télécharger Lire en ligne



This book constitutes the refereed proceedings of the 11th International Conference on Practical Applications of Agents and Multi-Agent Systems, PAAMS 2013, held in Salamanca, Spain, in May 2013. The 14 revised full papers and 9 short papers presented together with 16 demonstrations were carefully reviewed and selected from 70 submissions. The papers report on the application and validation of agent-based models, methods, and technologies in a number of key application areas, including: agents for real world problems; crowd modeling and analysis; decision making and discovery; interaction with artificial agents; mobility, ubiquity and clouds; (multi-)agent design technology; and simulation and organization.

Introduction to Machine Learning

Titre : Introduction to Machine Learning
Auteur : Ethem Alpaydin
Éditeur : MIT Press
ISBN-13 : 9780262028189
Libération : 2014-08-29

Télécharger Lire en ligne



The goal of machine learning is to program computers to use example data or past experience to solve a given problem. Many successful applications of machine learning exist already, including systems that analyze past sales data to predict customer behavior, optimize robot behavior so that a task can be completed using minimum resources, and extract knowledge from bioinformatics data. Introduction to Machine Learning is a comprehensive textbook on the subject, covering a broad array of topics not usually included in introductory machine learning texts. Subjects include supervised learning; Bayesian decision theory; parametric, semi-parametric, and nonparametric methods; multivariate analysis; hidden Markov models; reinforcement learning; kernel machines; graphical models; Bayesian estimation; and statistical testing.Machine learning is rapidly becoming a skill that computer science students must master before graduation. The third edition of Introduction to Machine Learning reflects this shift, with added support for beginners, including selected solutions for exercises and additional example data sets (with code available online). Other substantial changes include discussions of outlier detection; ranking algorithms for perceptrons and support vector machines; matrix decomposition and spectral methods; distance estimation; new kernel algorithms; deep learning in multilayered perceptrons; and the nonparametric approach to Bayesian methods. All learning algorithms are explained so that students can easily move from the equations in the book to a computer program. The book can be used by both advanced undergraduates and graduate students. It will also be of interest to professionals who are concerned with the application of machine learning methods.

The Master Algorithm

Titre : The Master Algorithm
Auteur : Pedro Domingos
Éditeur : Penguin UK
ISBN-13 : 9780241004555
Libération : 2015-09-22

Télécharger Lire en ligne



A spell-binding quest for the one algorithm capable of deriving all knowledge from data, including a cure for cancer Society is changing, one learning algorithm at a time, from search engines to online dating, personalized medicine to predicting the stock market. But learning algorithms are not just about Big Data - these algorithms take raw data and make it useful by creating more algorithms. This is something new under the sun: a technology that builds itself. In The Master Algorithm, Pedro Domingos reveals how machine learning is remaking business, politics, science and war. And he takes us on an awe-inspiring quest to find 'The Master Algorithm' - a universal learner capable of deriving all knowledge from data.

Phase Transitions in Machine Learning

Titre : Phase Transitions in Machine Learning
Auteur : Lorenza Saitta
Éditeur : Cambridge University Press
ISBN-13 : 9781139496537
Libération : 2011-06-16

Télécharger Lire en ligne



Phase transitions typically occur in combinatorial computational problems and have important consequences, especially with the current spread of statistical relational learning as well as sequence learning methodologies. In Phase Transitions in Machine Learning the authors begin by describing in detail this phenomenon, and the extensive experimental investigation that supports its presence. They then turn their attention to the possible implications and explore appropriate methods for tackling them. Weaving together fundamental aspects of computer science, statistical physics and machine learning, the book provides sufficient mathematics and physics background to make the subject intelligible to researchers in AI and other computer science communities. Open research issues are also discussed, suggesting promising directions for future research.

Apprentissage Automatique

Titre : Apprentissage Automatique
Auteur : Livres Groupe
Éditeur : Books LLC, Wiki Series
ISBN-13 : 1159582327
Libération : 2011-08-26

Télécharger Lire en ligne



Ce contenu est une compilation d'articles de l'encyclop die libre Wikipedia. Pages: 57. Non illustr . Chapitres: R seau de neurones artificiels, Machine vecteurs de support, Arbre de d cision, Classification na ve bayesienne, Inf rence bay sienne, Classification sous contrainte, Th or me de Cox-Jaynes, Algorithme esp rance-maximisation, Weka, Carte auto adaptative, Espace de versions, Apprentissage par renforcement, Algorithme de fouille de flots de donn es, Mod le de Markov cach, Mod le de m langes gaussiens, M thode de l'entropie crois e, R tropropagation du gradient, Perceptron, D rive conceptuelle, Classifieur lin aire, Dimension VC, R seau bay sien, Partitionnement de donn es, Recherche des plus proches voisins, Analyse s mantique latente probabiliste, Kernel trick, Classification automatique, Perceptron multicouche, Algorithme ID3, Apprentissage supervis, Analyse de concepts formels, AdaBoost, Th orie de Vapnik-Chervonenkis, Boosting, Apprentissage non-supervis, Chamilo, Ray Solomonoff, Algorithme C4.5, Fl au de la dimension, Apprentissage semi-supervis, Combinaison convexe, For t d'arbres d cisionnels, M thode des k plus proches voisins, Principe d'entropie maximale, QUEST, Algorithme CART, Probit, Algorithme de Baum-Welch. Extrait: Un r seau de neurones artificiels est un mod le de calcul dont la conception est tr?'s sch matiquement inspir e du fonctionnement des neurones biologiques.Les r seaux de neurones sont g n ralement optimis?'s par des m thodes d'apprentissage de type probabiliste, en particulier bay siens. Ils sont plac?'s d'une part dans la famille des applications statistiques, qu'ils enrichissent avec un ensemble de paradigmes permettant de g n rer des classifications rapides (r seaux de Kohonen en particulier), et d'autre part dans la famille des m thodes de l'intelligence artificielle auxquelles ils fournissent un m canisme perceptif ind pendant des id es propres de l'impl menteur, et fournissant des informations d'entr e au raisonnement...

Pattern Recognition and Machine Learning

Titre : Pattern Recognition and Machine Learning
Auteur : Christopher M. Bishop
Éditeur : Springer Verlag
ISBN-13 : 0387310738
Libération : 2006-08-17

Télécharger Lire en ligne



The field of pattern recognition has undergone substantial development over the years. This book reflects these developments while providing a grounding in the basic concepts of pattern recognition and machine learning. It is aimed at advanced undergraduates or first year PhD students, as well as researchers and practitioners.

Introduction to Algorithms

Titre : Introduction to Algorithms
Auteur : Thomas H. Cormen
Éditeur : MIT Press
ISBN-13 : 9780262033848
Libération : 2009-07-31

Télécharger Lire en ligne



A new edition of the essential text and professional reference, with substantial new material on such topics as vEB trees, multithreaded algorithms, dynamic programming, and edge-based flow.

Apprentissage Automatique

Titre : Apprentissage Automatique
Auteur : Source Wikipedia
Éditeur : University-Press.org
ISBN-13 : 1230699732
Libération : 2013-09

Télécharger Lire en ligne



Ce contenu est une compilation d'articles de l'encyclopedie libre Wikipedia. Pages: 57. Chapitres: Reseau de neurones artificiels, Machine a vecteurs de support, Arbre de decision, Classification naive bayesienne, Inference bayesienne, Classification sous contrainte, Theoreme de Cox-Jaynes, Algorithme esperance-maximisation, Weka, Carte auto adaptative, Espace de versions, Apprentissage par renforcement, Algorithme de fouille de flots de donnees, Modele de Markov cache, Modele de melanges gaussiens, Methode de l'entropie croisee, Retropropagation du gradient, Perceptron, Derive conceptuelle, Classifieur lineaire, Dimension VC, Reseau bayesien, Partitionnement de donnees, Recherche des plus proches voisins, Analyse semantique latente probabiliste, Kernel trick, Classification automatique, Perceptron multicouche, Algorithme ID3, Apprentissage supervise, Analyse de concepts formels, AdaBoost, Theorie de Vapnik-Chervonenkis, Boosting, Apprentissage non-supervise, Chamilo, Ray Solomonoff, Algorithme C4.5, Fleau de la dimension, Apprentissage semi-supervise, Combinaison convexe, Foret d'arbres decisionnels, Methode des k plus proches voisins, Principe d'entropie maximale, QUEST, Algorithme CART, Probit, Algorithme de Baum-Welch. Extrait: Un reseau de neurones artificiels est un modele de calcul dont la conception est tres schematiquement inspiree du fonctionnement des neurones biologiques.Les reseaux de neurones sont generalement optimises par des methodes d'apprentissage de type probabiliste, en particulier bayesiens. Ils sont places d'une part dans la famille des applications statistiques, qu'ils enrichissent avec un ensemble de paradigmes permettant de generer des classifications rapides (reseaux de Kohonen en particulier), et d'autre part dans la famille des methodes de l'intelligence artificielle auxquelles ils fournissent un mecanisme perceptif independant des idees propres de l'implementeur, et...