|
| Titre : | Apprentissage statistique : réseaux de neurones. cartes topologiques. machines à vecteurs supports | | Type de document : | texte imprime | | Auteurs : | Gérard Dreyfus, Directeur de publication, rédacteur en chef ; Martinez,J.-M., Auteur ; Samuelides,M., Auteur | | Mention d'édition : | 3e éd. mise à jour et avec nouveau titre | | Editeur : | Paris : Eyrolles | | Année de publication : | DL 2008 | | Collection : | Algorithmes | | Importance : | (XVI-449 p.) | | Présentation : | ill., couv. en coul. | | Format : | 23 cm | | Accompagnement : | 1 disque optique numérique (CD-ROM), 12 cm | | ISBN/ISSN/EAN : | 978-2-212-12229-9 | | Note générale : | Précédemment paru sous le titre : "Réseaux de neurones : méthodologie et applications". - La couv. porte en plus : "Réseaux de neurones, cartes topologiques, machines à vecteurs supports", "prévision, data mining, bio-ingénierie, reconnaissance de formes, robotique et commande de processus", "cinq exemples de modèles, avec données et code source, neuro One 6.10.7* outil de création de modèles neuronaux, compilateur C pour Windows, Bibliothèque non linéaire MonaEx70.dll niveau 0". - Logiciel d'application
Annexes :
Configuration requise :
Configuration requise : PC Pentium 2 ou (équivalent) 100 Mhz ; 64 Mo de mémoire vive ; MS-Windows 98/NT, 2000, XP ; 25 Mo d'espace disque disponible
Bibliogr. en fin de chapitres. Bibliogr. p. [427]-430. Index | | Langues : | Français | | Catégories : | Réseaux Informatiques
| | Mots-clés : | Réseaux neuronaux (informatique) Statistique mathématique Machines à vecteurs de support | | Index. décimale : | 006.32 Réseaux neuronaux(Informatiques) | | Résumé : |
L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines.
Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données. Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires.
Cet ouvrage est la mise à jour du livre "Réseaux de neurones - Méthodologie et applications".
À qui s'adresse ce livre ?
Aux ingénieurs, chercheurs et décideurs ayant à résoudre des problèmes de modélisation, de reconnaissance, de prévision, de commande, etc.
Aux étudiants et élèves ingénieurs des disciplines scientifiques et économiques, et à leurs enseignants.
Sur le CD-Rom offert avec ce livre
Cinq exemples de modèles avec données et codes source. Version d'évaluation (6 semaines) de Neuro One 6.10.7 pour Windows NT4, 2000, 2003 et XP : un outil dédié convivial pour la création de modèles de réseaux de neurones. Un compilateur C pour MS-Windows. Bibliothèque non linéaire MonaEx70.dll, niveau 0.
| | Note de contenu : |
Avant-propos et guide de lecture
L'apprentissage statistique : pourquoi, comment ?
Les réseaux de neurones
Compléments de méthodologie pour la modélisation : réduction de dimension et ré-échantillonnage
Identification "neuronale" de systèmes dynamiques commandés et réseaux bouclés (récurrents)
Apprentissage d'une commande en boucle fermée
La discrimination
Cartes auto-organisatrices et classification automatique
Bibliographie commentée
| | En ligne : | https://www.amazon.fr/Apprentissage-statistique-neurones-topologiques-Machines/d [...] | | Permalink : | ./index.php?lvl=notice_display&id=10508 |
Apprentissage statistique : réseaux de neurones. cartes topologiques. machines à vecteurs supports [texte imprime] / Gérard Dreyfus, Directeur de publication, rédacteur en chef ; Martinez,J.-M., Auteur ; Samuelides,M., Auteur . - 3e éd. mise à jour et avec nouveau titre . - Paris : Eyrolles, DL 2008 . - (XVI-449 p.) : ill., couv. en coul. ; 23 cm + 1 disque optique numérique (CD-ROM), 12 cm. - ( Algorithmes) . ISBN : 978-2-212-12229-9 Précédemment paru sous le titre : "Réseaux de neurones : méthodologie et applications". - La couv. porte en plus : "Réseaux de neurones, cartes topologiques, machines à vecteurs supports", "prévision, data mining, bio-ingénierie, reconnaissance de formes, robotique et commande de processus", "cinq exemples de modèles, avec données et code source, neuro One 6.10.7* outil de création de modèles neuronaux, compilateur C pour Windows, Bibliothèque non linéaire MonaEx70.dll niveau 0". - Logiciel d'application
Annexes :
Configuration requise :
Configuration requise : PC Pentium 2 ou (équivalent) 100 Mhz ; 64 Mo de mémoire vive ; MS-Windows 98/NT, 2000, XP ; 25 Mo d'espace disque disponible
Bibliogr. en fin de chapitres. Bibliogr. p. [427]-430. Index Langues : Français | Catégories : | Réseaux Informatiques
| | Mots-clés : | Réseaux neuronaux (informatique) Statistique mathématique Machines à vecteurs de support | | Index. décimale : | 006.32 Réseaux neuronaux(Informatiques) | | Résumé : |
L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines.
Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données. Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires.
Cet ouvrage est la mise à jour du livre "Réseaux de neurones - Méthodologie et applications".
À qui s'adresse ce livre ?
Aux ingénieurs, chercheurs et décideurs ayant à résoudre des problèmes de modélisation, de reconnaissance, de prévision, de commande, etc.
Aux étudiants et élèves ingénieurs des disciplines scientifiques et économiques, et à leurs enseignants.
Sur le CD-Rom offert avec ce livre
Cinq exemples de modèles avec données et codes source. Version d'évaluation (6 semaines) de Neuro One 6.10.7 pour Windows NT4, 2000, 2003 et XP : un outil dédié convivial pour la création de modèles de réseaux de neurones. Un compilateur C pour MS-Windows. Bibliothèque non linéaire MonaEx70.dll, niveau 0.
| | Note de contenu : |
Avant-propos et guide de lecture
L'apprentissage statistique : pourquoi, comment ?
Les réseaux de neurones
Compléments de méthodologie pour la modélisation : réduction de dimension et ré-échantillonnage
Identification "neuronale" de systèmes dynamiques commandés et réseaux bouclés (récurrents)
Apprentissage d'une commande en boucle fermée
La discrimination
Cartes auto-organisatrices et classification automatique
Bibliographie commentée
| | En ligne : | https://www.amazon.fr/Apprentissage-statistique-neurones-topologiques-Machines/d [...] | | Permalink : | ./index.php?lvl=notice_display&id=10508 |
|  |
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche Interroger des sources externesApprentissage statistique / Gérard Dreyfus (DL 2008)
