- EAN13
- 9782100841431
- Éditeur
- Dunod
- Date de publication
- 02/02/2022
- Langue
- français
- Fiches UNIMARC
- S'identifier
Autre version disponible
-
Papier - Dunod 26,90
Le machine learning (apprentissage automatique) est au coeur des data sciences
et s'applique à une multitude de domaines tels que la reconnaissance des
visages par ordinateur, la traduction automatique d'une langue à l'autre, la
conduite automobile automatique, la publicité ciblée, l'analyse des réseaux
sociaux, le trading financier, ...
Ce livre propose une introduction aux concepts et aux algorithmes qui fondent
le machine learning.
Son objectif est de fournir au lecteur les outils pour :
\- identifier les problèmes qui peuvent être résolus par du machine learning,
\- formaliser ces problèmes en termes de machine learning,
\- identifier quels sont les algorithmes appropriés et apprendre à les mettre
en oeuvre,
\- savoir évaluer et comparer les performances de plusieurs algorithmes.
Chaque chapitre est complété par des exercices corrigés.
Cette seconde édition a été complétée par de nouvelles méthodes comme le
clustering spectral, le clustering par mélange de gaussiennes, et la réduction
de dimension avec UMAP.
et s'applique à une multitude de domaines tels que la reconnaissance des
visages par ordinateur, la traduction automatique d'une langue à l'autre, la
conduite automobile automatique, la publicité ciblée, l'analyse des réseaux
sociaux, le trading financier, ...
Ce livre propose une introduction aux concepts et aux algorithmes qui fondent
le machine learning.
Son objectif est de fournir au lecteur les outils pour :
\- identifier les problèmes qui peuvent être résolus par du machine learning,
\- formaliser ces problèmes en termes de machine learning,
\- identifier quels sont les algorithmes appropriés et apprendre à les mettre
en oeuvre,
\- savoir évaluer et comparer les performances de plusieurs algorithmes.
Chaque chapitre est complété par des exercices corrigés.
Cette seconde édition a été complétée par de nouvelles méthodes comme le
clustering spectral, le clustering par mélange de gaussiennes, et la réduction
de dimension avec UMAP.
S'identifier pour envoyer des commentaires.