Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 4 votes.
Titre original :
Applied Machine Learning
Contenu du livre :
Les méthodes d'apprentissage automatique constituent désormais un outil important pour les scientifiques, les chercheurs, les ingénieurs et les étudiants dans un large éventail de domaines. Ce livre est destiné aux personnes qui souhaitent adopter et utiliser les principaux outils de l'apprentissage automatique, mais qui ne veulent pas nécessairement devenir des chercheurs en apprentissage automatique. Destiné aux étudiants en dernière année de licence ou en première année d'études supérieures en informatique dans le domaine de l'apprentissage automatique, ce manuel est une boîte à outils pour l'apprentissage automatique. Applied Machine Learning couvre de nombreux sujets pour les personnes qui veulent utiliser des processus d'apprentissage automatique pour accomplir des tâches, en mettant l'accent sur l'utilisation d'outils et de progiciels existants, plutôt que sur l'écriture de son propre code.
Ce livre, qui accompagne l'ouvrage Probability and Statistics for Computer Science de l'auteur, reprend là où le premier livre s'est arrêté (mais fournit également un résumé des probabilités que le lecteur peut utiliser).
Mettant l'accent sur l'utilité des mécanismes standard de la statistique appliquée, ce manuel donne un aperçu des principaux domaines d'application de l'apprentissage, y compris la couverture de : - la classification à l'aide de mécanismes standard (bayes naïves ; plus proche voisin ; SVM)- le regroupement et la quantification vectorielle (en grande partie comme dans PSCS)- l'ACP (en grande partie comme dans PSCS)- les variantes de l'ACP (NIPALS ; analyse sémantique latente, analyse de corrélation canonique)- la régression linéaire (en grande partie comme dans PSCS)- l'analyse de corrélation canonique ; régression linéaire (en grande partie comme dans PSCS) - modèles linéaires généralisés, y compris la régression logistique - sélection de modèles avec Lasso, elasticnet - robustesse et m-estimateurs - chaînes de Markov et HMM (en grande partie comme dans PSCS) - EM dans les moindres détails ; La longue expérience de l'enseignement de cette matière suggère qu'un exemple détaillé est nécessaire, ce que les étudiants détestent ; mais une fois qu'ils l'ont passé, le suivant est facile - modèles graphiques simples (dans la section sur l'inférence variationnelle) - classification avec des réseaux neuronaux, avec un accent particulier sur la classification d'images - auto-codage avec des réseaux neuronaux - apprentissage de la structure.
Autres informations sur le livre :
| ISBN : | 9783030181130 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Relié |
Achat:
Actuellement disponible, en stock.
