Détail de l'indexation
006.3 Intelligence artificielleOuvrages de la bibliothèque en indexation 006.31
trié(s) par (Pertinence décroissant(e), Titre croissant(e)) Affiner la recherche
Titre : Deep learning : foundations and concepts Type de document : texte imprimé Auteurs : Christopher M. Bishop (1959-....), Auteur ; Hugh Bishop, Auteur Editeur : Cham : Springer International Publishing Année de publication : 2024 Importance : 1 vol. (XX-649 p.) Présentation : ill. en noir et en coul. Format : 25 cm ISBN/ISSN/EAN : 978-3-031-45467-7 Note générale : PPN 276470680 Langues : Anglais (eng) Tags : Intelligence artificielle -- Manuels d'enseignement supérieur Apprentissage profond -- Manuels d'enseignement supérieur Artificial intelligence -- Textbooks Machine learning -- Textbooks
Artificial intelligence -- Data processing -- TextbooksIndex. décimale : 006.31 Apprentissage automatique (informatique) Résumé : "This book offers a comprehensive introduction to the central ideas that underpin deep learning. It is intended both for newcomers to machine learning and for those already experienced in the field. Covering key concepts relating to contemporary architectures and techniques, this essential book equips readers with a robust foundation for potential future specialization. The field of deep learning is undergoing rapid evolution, and therefore this book focusses on ideas that are likely to endure the test of time. The book is organized into numerous bite-sized chapters, each exploring a distinct topic, and the narrative follows a linear progression, with each chapter building upon content from its predecessors. This structure is well-suited to teaching a two-semester undergraduate or postgraduate machine learning course, while remaining equally relevant to those engaged in active research or in self-study. A full understanding of machine learning requires some mathematical background and so the book includes a self-contained introduction to probability theory. However, the focus of the book is on conveying a clear understanding of ideas, with emphasis on the real-world practical value of techniques rather than on abstract theory. Complex concepts are therefore presented from multiple complementary perspectives including textual descriptions, diagrams, mathematical formulae, and pseudo-code." (4e de couverture) Note de contenu : Contient des exercices
Bibliographie p. 625-640. Index
Sommaire : 1. The deep learning revolution -2. Probabilities -3. Standard distributions -4. Single-layer networks: regression -5. Single-layer networks: classification -6. Deep neural networks -7. Gradient descent -8. Backpropagation -9. Regularization -10. Convolutional networks -11. Structured distributions -12. Transformers -13. Graph neural networks -14. Sampling -15. Discrete latent variables -16. Continuous latent variables -17. Generative adversarial networks -18. Normalizing flows -19. Autoencoders -20. Diffusion models - Appendix A. Linear algebra - Appendix B. Calculus of variations - Appendix C. Lagrange multipliers -Deep learning : foundations and concepts [texte imprimé] / Christopher M. Bishop (1959-....), Auteur ; Hugh Bishop, Auteur . - Cham : Springer International Publishing, 2024 . - 1 vol. (XX-649 p.) : ill. en noir et en coul. ; 25 cm.
ISBN : 978-3-031-45467-7
PPN 276470680
Langues : Anglais (eng)
Tags : Intelligence artificielle -- Manuels d'enseignement supérieur Apprentissage profond -- Manuels d'enseignement supérieur Artificial intelligence -- Textbooks Machine learning -- Textbooks
Artificial intelligence -- Data processing -- TextbooksIndex. décimale : 006.31 Apprentissage automatique (informatique) Résumé : "This book offers a comprehensive introduction to the central ideas that underpin deep learning. It is intended both for newcomers to machine learning and for those already experienced in the field. Covering key concepts relating to contemporary architectures and techniques, this essential book equips readers with a robust foundation for potential future specialization. The field of deep learning is undergoing rapid evolution, and therefore this book focusses on ideas that are likely to endure the test of time. The book is organized into numerous bite-sized chapters, each exploring a distinct topic, and the narrative follows a linear progression, with each chapter building upon content from its predecessors. This structure is well-suited to teaching a two-semester undergraduate or postgraduate machine learning course, while remaining equally relevant to those engaged in active research or in self-study. A full understanding of machine learning requires some mathematical background and so the book includes a self-contained introduction to probability theory. However, the focus of the book is on conveying a clear understanding of ideas, with emphasis on the real-world practical value of techniques rather than on abstract theory. Complex concepts are therefore presented from multiple complementary perspectives including textual descriptions, diagrams, mathematical formulae, and pseudo-code." (4e de couverture) Note de contenu : Contient des exercices
Bibliographie p. 625-640. Index
Sommaire : 1. The deep learning revolution -2. Probabilities -3. Standard distributions -4. Single-layer networks: regression -5. Single-layer networks: classification -6. Deep neural networks -7. Gradient descent -8. Backpropagation -9. Regularization -10. Convolutional networks -11. Structured distributions -12. Transformers -13. Graph neural networks -14. Sampling -15. Discrete latent variables -16. Continuous latent variables -17. Generative adversarial networks -18. Normalizing flows -19. Autoencoders -20. Diffusion models - Appendix A. Linear algebra - Appendix B. Calculus of variations - Appendix C. Lagrange multipliers -Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Nom du donateur OCA-NI-010919 010919 Ouvrages / Books OCA Bib. Nice Mont-Gros NI-Salle de lecture-Ouvrages Sorti jusqu'au 04/12/2024
Titre : Introduction au Deep Learning Type de document : texte imprimé Auteurs : Eugene Charniak, Auteur ; Anne Bohy, Traducteur Editeur : Malakoff : Dunod Année de publication : DL 2021 Collection : info sup, ISSN 2429-263X Importance : 1 vol. (X-162 p.) Présentation : ill., couv. ill. en coul. Format : 24 cm ISBN/ISSN/EAN : 978-2-10-081926-3 Note générale : Public : L3, masters informatique ou mathématiques appliquées, élèves ingénieurs. - Traduit de l'anglais. - Titre original : Introduction to deep learning / Eugene Charniak. - ISBN 978-0-262-03951-2 -- PPN 252932625
Langues : Français (fre) Tags : Apprentissage profond -- Manuels d'enseignement supérieur Apprentissage profond -- Problèmes et exercices Intelligence artificielle -- Manuels d'enseignement supérieur Intelligence artificielle -- Problèmes et exercices Machine learning -- Textbooks Machine learning -- Problems, exercises, etc. Artificial intelligence -- Textbooks Artificial intelligence -- Problems, exercices, etc. Index. décimale : 006.31 Apprentissage automatique (informatique) Résumé : La quatrième de couverture indique : "L'apprentissage profond (deep learning) a révolutionné l'intelligence artificielle et s'est très rapidement répandu dans de nombreux domaines d'activité. Grâce à une approche "orientée objet", ce livre a pour but d'expliquer les bases du deep learning, depuis les réseaux de neurones à propagation avant jusqu'aux réseaux non supervisés. Conçu comme un manuel d'apprentissage synthétique, avec cours et exercices, il s'appuie sur des exemples dans des domaines comme la vision par ordinateur, la compréhension des langages naturels ou l'apprentissage par renforcement. Ces exemples sont étudiés avec le logiciel Tensorflow. Les notions théoriques sont illustrées et complétées par une quarantaine d'exercices, dont la moitié sont corrigés." Note de contenu : Bibliogr. p. 153-155. Index p.157-162. Exercices en fin de chapitre. Introduction au Deep Learning [texte imprimé] / Eugene Charniak, Auteur ; Anne Bohy, Traducteur . - Malakoff : Dunod, DL 2021 . - 1 vol. (X-162 p.) : ill., couv. ill. en coul. ; 24 cm. - (info sup, ISSN 2429-263X) .
ISBN : 978-2-10-081926-3
Public : L3, masters informatique ou mathématiques appliquées, élèves ingénieurs. - Traduit de l'anglais. - Titre original : Introduction to deep learning / Eugene Charniak. - ISBN 978-0-262-03951-2 -- PPN 252932625
Langues : Français (fre)
Tags : Apprentissage profond -- Manuels d'enseignement supérieur Apprentissage profond -- Problèmes et exercices Intelligence artificielle -- Manuels d'enseignement supérieur Intelligence artificielle -- Problèmes et exercices Machine learning -- Textbooks Machine learning -- Problems, exercises, etc. Artificial intelligence -- Textbooks Artificial intelligence -- Problems, exercices, etc. Index. décimale : 006.31 Apprentissage automatique (informatique) Résumé : La quatrième de couverture indique : "L'apprentissage profond (deep learning) a révolutionné l'intelligence artificielle et s'est très rapidement répandu dans de nombreux domaines d'activité. Grâce à une approche "orientée objet", ce livre a pour but d'expliquer les bases du deep learning, depuis les réseaux de neurones à propagation avant jusqu'aux réseaux non supervisés. Conçu comme un manuel d'apprentissage synthétique, avec cours et exercices, il s'appuie sur des exemples dans des domaines comme la vision par ordinateur, la compréhension des langages naturels ou l'apprentissage par renforcement. Ces exemples sont étudiés avec le logiciel Tensorflow. Les notions théoriques sont illustrées et complétées par une quarantaine d'exercices, dont la moitié sont corrigés." Note de contenu : Bibliogr. p. 153-155. Index p.157-162. Exercices en fin de chapitre. Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Nom du donateur OCA-SA-006565 CHA-45 Ouvrages / Books OCA Bib. Géoazur Sophia-Antipolis SA-Salle-A213-Ouvrages Sorti jusqu'au 31/12/2024
Titre : Introduction au Machine Learning Type de document : texte imprimé Auteurs : Chloé-Agathe Azencott, Auteur Editeur : Malakoff : Dunod Année de publication : DL 2019 Collection : info sup, ISSN 2429-263X Importance : 1 vol. (XI-227 p.) Présentation : ill., graph., fig., couv. ill. en coul Format : 24 cm ISBN/ISSN/EAN : 978-2-10-080153-4 Note générale : Public : étudiants en fin de licence et en master d'informatique ou de maths appliquées, ainsi qu'aux élèves ingénieurs. -- PPN 238680037 Langues : Français (fre) Tags : Apprentissage automatique -- Manuels d'enseignement supérieur Apprentissage automatique -- Problèmes et exercices Données massives -- Manuels d'enseignement supérieur Algorithmes -- Manuels d'enseignement supérieur Machine learning -- Textbooks Machine learning -- Problems, exercises, etc. Big data -- Textbooks Algorithms -- Textbooks Index. décimale : 006.31 Apprentissage automatique (informatique) Résumé : La 4e de couverture indique : "Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en Å“uvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 86 exercices, tous corrigés." Note de contenu : Sommaire : 1. Présentation du machine learning .- 2. Apprentissage supervisé .- 3. Sélection de modèle et évaluation .- 4. Inférence bayésienne.- 5. Régressions paramétriques.- 6. Régularisation.- 7. Réseaux de neurones artificiels.- 8. Méthode des plus proches voisins.- 9. Arbres et forêts.- 10. Machines à vecteurs de support et méthodes à noyaux.- 11. Réduction de dimension .- 12. Clustering.- Appendice. Notions d'optimisation convexe. - Bibliogr. en fin de chapitres. - Index p.225-227. Introduction au Machine Learning [texte imprimé] / Chloé-Agathe Azencott, Auteur . - Malakoff : Dunod, DL 2019 . - 1 vol. (XI-227 p.) : ill., graph., fig., couv. ill. en coul ; 24 cm. - (info sup, ISSN 2429-263X) .
ISBN : 978-2-10-080153-4
Public : étudiants en fin de licence et en master d'informatique ou de maths appliquées, ainsi qu'aux élèves ingénieurs. -- PPN 238680037
Langues : Français (fre)
Tags : Apprentissage automatique -- Manuels d'enseignement supérieur Apprentissage automatique -- Problèmes et exercices Données massives -- Manuels d'enseignement supérieur Algorithmes -- Manuels d'enseignement supérieur Machine learning -- Textbooks Machine learning -- Problems, exercises, etc. Big data -- Textbooks Algorithms -- Textbooks Index. décimale : 006.31 Apprentissage automatique (informatique) Résumé : La 4e de couverture indique : "Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en œuvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 86 exercices, tous corrigés." Note de contenu : Sommaire : 1. Présentation du machine learning .- 2. Apprentissage supervisé .- 3. Sélection de modèle et évaluation .- 4. Inférence bayésienne.- 5. Régressions paramétriques.- 6. Régularisation.- 7. Réseaux de neurones artificiels.- 8. Méthode des plus proches voisins.- 9. Arbres et forêts.- 10. Machines à vecteurs de support et méthodes à noyaux.- 11. Réduction de dimension .- 12. Clustering.- Appendice. Notions d'optimisation convexe. - Bibliogr. en fin de chapitres. - Index p.225-227. Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Nom du donateur OCA-SA-006564 AZE-01 Ouvrages / Books OCA Bib. Géoazur Sophia-Antipolis SA-Salle-A213-Ouvrages Sorti jusqu'au 31/12/2024
Titre : Kernel methods for pattern analysis Type de document : texte imprimé Auteurs : John Shawe-Taylor, Auteur ; Nello Cristianini, Auteur Editeur : Cambridge ; New York ; Melbourne [UK ; USA] : Cambridge University Press (CUP) Année de publication : 2004 Importance : xiv, 462 p. Présentation : ill. Format : 26 cm ISBN/ISSN/EAN : 978-0-521-81397-6 Note générale : Autres tirages : 2005, 2006, 2009, 2011. - ISBN : 0-521-81397-2 (rel.) . - PPN 079919006 Langues : Anglais (eng) Tags : Apprentissage automatique Modèles stochastiques d'apprentissage Traitement vectoriel Algorithmes Noyaux (analyse fonctionnelle) Reconnaissance des formes (informatique) Machine learning Algorithms Kernel functions Pattern perception -- Data processing Index. décimale : 006.31 Apprentissage automatique (informatique) Note de contenu : Bibliogr. p. 450-459. Index Kernel methods for pattern analysis [texte imprimé] / John Shawe-Taylor, Auteur ; Nello Cristianini, Auteur . - Cambridge ; New York ; Melbourne (UK ; USA) : Cambridge University Press (CUP), 2004 . - xiv, 462 p. : ill. ; 26 cm.
ISBN : 978-0-521-81397-6
Autres tirages : 2005, 2006, 2009, 2011. - ISBN : 0-521-81397-2 (rel.) . - PPN 079919006
Langues : Anglais (eng)
Tags : Apprentissage automatique Modèles stochastiques d'apprentissage Traitement vectoriel Algorithmes Noyaux (analyse fonctionnelle) Reconnaissance des formes (informatique) Machine learning Algorithms Kernel functions Pattern perception -- Data processing Index. décimale : 006.31 Apprentissage automatique (informatique) Note de contenu : Bibliogr. p. 450-459. Index Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Nom du donateur OCA-VV-001844 A6-1844 Ouvrages / Books OCA Bib. Lagrange Nice Valrose VV-A6/A7-Traitement du Signal Sorti jusqu'au 28/02/2025
Titre : Machine Learning : a bayesian and optimization perspective Type de document : texte imprimé Auteurs : Sergios Theodoridis, Auteur Editeur : Amsterdam ; Oxford ; New York : Elsevier Scientific Pub. Co. Année de publication : 2015 Importance : xxi, 1050 p. Présentation : ill. Format : 24 cm ISBN/ISSN/EAN : 978-0-12-801522-3 Note générale : ISBN : 0-12-801522-5 . - PPN 188106189 Langues : Anglais (eng) Tags : Apprentissage automatique Statistique bayésienne Optimisation mathématique Machine learning Bayesian statistical decision theory Mathematical optimization Index. décimale : 006.31 Apprentissage automatique (informatique) Note de contenu : Index Machine Learning : a bayesian and optimization perspective [texte imprimé] / Sergios Theodoridis, Auteur . - Amsterdam ; Oxford ; New York : Elsevier Scientific Pub. Co., 2015 . - xxi, 1050 p. : ill. ; 24 cm.
ISBN : 978-0-12-801522-3
ISBN : 0-12-801522-5 . - PPN 188106189
Langues : Anglais (eng)
Tags : Apprentissage automatique Statistique bayésienne Optimisation mathématique Machine learning Bayesian statistical decision theory Mathematical optimization Index. décimale : 006.31 Apprentissage automatique (informatique) Note de contenu : Index Réservation
Réserver ce document
Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité Nom du donateur OCA-VV-001989 E4-1989 Ouvrages / Books OCA Bib. Lagrange Nice Valrose VV-E2/E4-Mathématiques Sorti jusqu'au 20/09/2047
