![Introduction au Machine Learning - dunod - 9782100834761 -](https://www.unitheque.com/Intermediaire3/CouvertureI/N/9782100834761-introduction-machine-learning_g.jpg)
Introduction au Machine Learning
Cet ouvrage s’adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d’ingénieurs.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 [...]
[lire le résumé du livre]
Auteur : Chloé-Agathe AZENCOTT
Editeur : Dunod
Collection : InfoSup
Date parution : 02/2022 2e éditionCB Google/Apple Pay, Chèque, Virement
Quel est le sujet du livre "Introduction au Machine Learning"
Cet ouvrage s’adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d’ingénieurs.
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 oeuvre, et enfin à savoir évaluer les résultats obtenus.
Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés.
Auteurs :
Chloé-Agathe Azencott est maîtresse de conférences au CBIO (Centre de bio-informatique) de Mines Paris, de l'Institut Curie et de l'INSERM. Elle enseigne le Machine Learning sur OpenClassrooms.
En suivant ce lien, retrouvez tous les livres dans la spécialité Maths pour l'informatique.Sommaire et contenu du livre "Introduction au Machine Learning"
Présentation du machine learning
Apprentissage supervisé
Sélection de modèle et évaluation
Inférence bayésienne
Régressions paramétriques
Régularisation
Réseaux de neurones artificiels
Méthodes des plus proches voisins
Arbres et forêts
Machines à vecteurs de support et méthodes à noyaux
Réduction de dimension
Clustering