Résultat de la recherche
1 résultat(s) recherche sur le tag 'Données massives -- Manuels d'enseignement supérieur'
trié(s) par (Pertinence décroissant(e), Titre croissant(e)) Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Introduction au Machine Learning / Chloé-Agathe Azencott (DL 2019)
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