Rayon Développement d'applications, langages de programmation
Apprentissage statistique : réseaux de neurones, cartes topologiques, machines à vecteurs supports : prévision, data mining, bio-ingénierie, reconnaissance de formes, robotique et commande de processus

Fiche technique

Format : Broché
Poids : 880 g
Dimensions : 17cm X 23cm
ISBN : 978-2-212-12229-9
EAN : 9782212122299

Apprentissage statistique

réseaux de neurones, cartes topologiques, machines à vecteurs supports
prévision, data mining, bio-ingénierie, reconnaissance de formes, robotique et commande de processus

Chez Eyrolles

Collection(s) | Algorithmes
Paru le
Broché
J.-M. Martinez, M. Samuelides, M.B. Gordon et al.
Professionnels

Quatrième de couverture

Apprentissage statistique

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 (robotique, maintenance préventive, développement de capteurs virtuels, planification d'expériences, aide à la conception de produits), dans le domaine de la biologie et de la santé (aide au diagnostic, aide à la découverte de médicaments, 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.

Biographie

Gérard Dreyfus dirige le laboratoire d'électronique de l'École supérieure de physique et de chimie industrielles (ESPCI-ParisTech) où il enseigne notamment les méthodes de modélisation par apprentissage. Il dispense des formations continues à l'usage des ingénieurs dans ce domaine.

Manuel Samuelides dirige le département de mathématiques appliquées de l'ENSAE (Supaéro) ; il y enseigne les probabilités, l'optimisation et les techniques probabilistes de l'apprentissage.
Il effectue des recherches au département de traitement de l'information et modélisation de l'ONERA.

Jean-Marc Martinez est expert senior et enseignant-chercheur au Commissariat à l'Énergie Atomique dans le domaine de l'apprentissage statistique et de la modélisation des incertitudes en simulation numérique. Il développe et applique ces méthodes au CEA et les enseigne dans diverses universités et écoles.

Mirta B. Gordon, physicienne, directrice de recherches au CNRS, est responsable de l'équipe « Apprentissage : modèles et algorithmes » (AMA) au sein du laboratoire TIMC-IMAG (Grenoble). Elle effectue des recherches sur la modélisation des systèmes complexes adaptatifs, et sur la théorie et les algorithmes d'apprentissage. Elle enseigne ces sujets dans différentes écoles doctorales.

Fouad Badran, professeur au CNAM, y enseigne les réseaux de neurones.

Sylvie Thiria, professeur à l'université de Versailles Saint-Quentin-en-Yvelynes, effectue des recherches sur la modélisation neuronale et sur ses applications, notamment à la géophysique, au laboratoire d'océanographie dynamique et de climatologie (LODYC).

Avis des lecteurs