Analyse explicable et personnalisable de données hétérogènes multi-niveaux : une approche guidée par l’apprentissage automatique et les ontologies / Maxime PERROT  

Titre : Analyse explicable et personnalisable de données hétérogènes multi-niveaux : une approche guidée par l’apprentissage automatique et les ontologies Type de document : thèse Auteurs : Maxime PERROT, Auteur ; Mickaël BARON, Directeur de thèse ; Brice CHARDIN, Directeur de thèse ; Stéphane JEAN, Directeur de thèse ; LIAS UR 20299 UP-ENSIP / ISAE-ENSMA, Commanditaire ; Nadine CULLOT, Rapporteur ; Marie-Jeanne LESOT, Rapporteur ; Arnaud SOULET, Examinateur ; Hala SKAF-MOLLI, Examinateur Importance : 145 p. Note générale : NNT 2024ESMA0021 Remerciements Résumé Mots clés Table des matières Liste des figures Liste des tableaux Introduciton générale Annexes Bibliographie Catégories : Apprentissage automatique Classification automatique Codage Intégration de données (informatique) Ontologies (informatique) Web sémantique Résumé : L'EXPLOITATION HORS LIGNE DES DONNÉES CHEZ ORISHA RETAIL SHOPS Introduction Orisha Retail Shops Bases de données support Architecture Nouveaux besoins Conclusion ÉTAT DE L'ART Introduction Encodage/incorporation des référentiels produits : affronter la haute cardinalité Gestion des entrées à tailles variables en apprentissage automatique Panorama des techniques d'étiquetage multiple Bancs d'essai adaptés au contexte scientifique ou industriel BANC D'ESSAI POUR LA CLASSIFICATION DES COMMERCES Introduction Problématique, intérêts et objectifs Contexte des données d'entrée, échantillonnage et statistiques Critères d'évaluation des performances Évaluation de l'approche initiale de classification des commerces Conclusion et perspectives THESUARUS-BASED TREANSFORMATION: ENCODAGE DES PRODUITS BASÉ SUR UN THÉSAURUS Introduction Besoins spécifiques pour la classiication des prosuits Justification du choix des transformateurs Notre proposition : Thesaurus-Based Transformation Conception d'expérimentations basées sur notre banc d'essai Résultats expérimentaux et mise en production Conclusion et perspectives FORMALISATION DE LA CONNAISSANCE À TRAVERS LES ONTOLOGIES Introduction Notions préliminaires sur le web sémantique Cas d'étude considéré et limite de l'état de l'art Proposition d'une méthodologie de mise en œuvre des technologies du web sémantique Évaluation expérimentale de différentes implémentations architecturales Conclusion et perspectives CONCLUSION ET PERSPECTIVES GÉNÉRALES En ligne : https://theses.hal.science/tel-04867591

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH-24 PER	PER	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

Apprentissage artificiel : Concepts et algorithmes. De Bayes et Hume au Deep Learning / Vincent BARRA

Titre : Apprentissage artificiel : Concepts et algorithmes. De Bayes et Hume au Deep Learning Type de document : texte imprimé Auteurs : Vincent BARRA, Auteur ; Antoine CORNUÉJOLS, Auteur ; Laurent MICLET, Auteur Mention d'édition : 4e édition Editeur : Eyrolles Année de publication : 2021 Collection : Algorithmes (Paris), ISSN 1625-113X Importance : 990 p. ISBN/ISSN/EAN : 978-2-416-00104-8 Note générale : Préface Table des matières Notations Bibliographie Index Catégories : Algorithmes Apprentissage automatique Intelligence artificielle Index. décimale : 006.3 Intelligence artificielle Résumé : Des machines apprenantes ! L'induction exploitant la structure de l'espace des hypothèses L'induction par optimisation d'un critère inductif L'induction par comparaison et collaboration L'apprentissage descriptif L'apprentissage en environnement et non stationnaire Aspects pratiques et suppléments

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011395	006.3 BAR	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026
B00011389	006.3 BAR	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Disponible

Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques / Simon Pierre DEMBELE  

Titre : Auditer l’énergie. Avant de déployer ses modèles : Vers des optimiseurs verts de requêtes analytiques Type de document : thèse Auteurs : Simon Pierre DEMBELE, Auteur ; Ladjel BELLATRÈCHE, Directeur de thèse ; LIAS UR 20299 UP-ENSIP / ISAE-ENSMA, Commanditaire ; Philippe FOUNIER-VIGER, Rapporteur ; Nabil LAYAIDA, Rapporteur ; Isabelle COMYN-WATTIAU, Examinateur ; Laurent LEFEVRE, Examinateur ; Carlos ORDONEZ, Examinateur Importance : 187 p. Note générale : NNT 2021ESMA0009 Remerciements Table des matières Bibliographie Annexes Liste des figures Liste des tableaux Résumé Mots clés Catégories : Apprentissage automatique Bases de données:Gestion Bases de données:Interrogation Consommation d'énergie Coût Économies d'énergie:Appareils et matériel Évaluation énergétique Résumé : INTRODUCTION GÉNÉRALE Contexte et problématique Notre vision de la caractérisation de l'énergie dans les BDs Objectifs Contributions de la thèse Organisation du manuscrit Publications ÉTAT DE L'ART : LES SYSTÈMES DE TRAITEMENT DES REQUÊTES (STRs) Introduction Les STRs dans les SSDs Modèle de coût Les paramètres sensibles à la dimension énrgétique Conclusion ÉTAT DE L'ART : GESTION DE L4ÉNERGIE DANS LES SYSTÈMES DE TRAITEMENTS DES REQUÊTES Introduction Préliminaire Taxonomie des techniques éco-énergétiques Approches d'EE dans les STRs Conclusion CONTRIBUTIONS : MÉTHODOLOGIE DE CONCEPTION DE NOS McE ET FORMULATION Introduction Modèles de coût énergétique (McE) dans les STRs Méthodologie de conception des McE Audit des Systèmes SSDs étudiés Analyse et études comparatives des SSDs étudiés Conception des McE Validation des modèles Conclusion CONTRIBUTIONS : FRAMEWORKS POUR LE DÉPLOIEMENT DE NOS MODÈLES DE COÛT ÉNERGÉTIQUE Introduction Optimisation énergétique dans le module de traitement des requêtes Estimation dynamique de l'énergie lors du traitement des requêtes (Simulation) Conclusion CONCLUSION ET PERSPECTIVES En ligne : https://tel.archives-ouvertes.fr/tel-03361382

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH-21 DEM	DEM	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

Deep Learning / Ian J. GOODFELLOW

Titre : Deep Learning Type de document : texte imprimé Auteurs : Ian J. GOODFELLOW, Auteur ; Yoshua BENGIO, Auteur ; Aaron C. COURVILLE, Auteur Editeur : The MIT Press Année de publication : 2016 Collection : Adaptative Computation and Machine Learning Importance : 775 p. ISBN/ISSN/EAN : 978-0-262-03561-3 Note générale : Contents Website Acknowledgements Notation Bibliography Index Catégories : Apprentissage automatique Apprentissage profond Information, Théorie de l' Intelligence artificielle Monte Carlo, Méthode de Index. décimale : 006.3 Intelligence artificielle Résumé : Introduction APPLIED MATH AND MACHINE LEARNING BASICS Linear Algebra Probability and Information Theory Numerical Computation Machine Learning Basics DEEP NETWORKS: MODERN PRACTICES Deep Feedforward Networks Regularization for Deep Learning Optimization for Training Deep Models Convolutional Networks Sequence Modelling: Recurrent and Recursive Nets Practical Methodology Applications DEEP LEARNING RESEARCH Linear Factor Models Autoencoders Representation Learning Structured Probabilistic Models for Deep Learning Monte Carlo Methods Confronting the Partition Function Approximate Inference Deep Generative Models

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011591	006.3 GOO	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Deep Learning avec Keras et TensorFlow : Mise en œuvre et cas concrets / Aurélien GÉRON

Titre : Deep Learning avec Keras et TensorFlow : Mise en œuvre et cas concrets Type de document : texte imprimé Auteurs : Aurélien GÉRON, Auteur Mention d'édition : 3e éd. Editeur : Dunod Année de publication : 2024 Importance : 610 p. ISBN/ISSN/EAN : 978-2-10-084769-3 Note générale : Table des matières Avant-propos Le mot de la fin Annexes Index Catégories : Apprentissage automatique Apprentissage par renforcement (intelligence artificielle) Apprentissage profond Réseaux neuronaux (informatique) TensorFlow (logiciel) Index. décimale : 006.3 Intelligence artificielle Résumé : Les fondamentaux du Machine Learning Introduction aux réseaux de neurones artificiels avec Keras Entraînement de réseaux de neurones profonds Modèles personnalisés et entraînement avec TensorFlow Chargement et prétraitement de données avec TensorFlow Vision par ordinateur et réseaux de neurones convolutifs Traitement des séquences avec des RNN et des CNN Traitement automatique du langage naturel avec les RNN et les attentions Autoencodeurs, GAN et modèles de diffusion Apprentissage par renforcement Entraînement et déploiement à grande échelle de modèles TensorFlow

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011670	006.3 GER	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Données de tests non fonctionnels de l'ombre à la lumière : une approche multidimensionnelle pour déployer une base de données / Lahcène BRAHIMI  

Titre : Données de tests non fonctionnels de l'ombre à la lumière : une approche multidimensionnelle pour déployer une base de données Type de document : thèse Auteurs : Lahcène BRAHIMI, Auteur ; Ladjel BELLATRÈCHE, Directeur de thèse ; Yassine OUHAMMOU, Directeur de thèse ; LIAS UR 20299 UP-ENSIP / ISAE-ENSMA, Commanditaire ; Djamal BENSLIMANE, Rapporteur ; Yudith CARDINALE, Rapporteur ; Abdelkader HAMEURLAIN, Examinateur ; Khalil DRIRA, Examinateur Importance : 192 p. Note générale : NNT 2017ESMA0009 Remerciements Table des matières Introduction générale Bibliographie Table des figures Liste des tableaux Glossaire Résumé Mots-clés Catégories : Apprentissage automatique Bases de données:Gestion Entrepôts de données OLAP (informatique) Ontologies (informatique) Prise de décision Systèmes de recommandation (informatique) Systèmes, Analyse de Systèmes, Conception de Résumé : ETAT DE L'ART Evolution du cycle de conception de bases de données Etudes des approches de sélection des SGBD et plateformes CONTRIBUTIONS Vers une explicitation des composantes de l'environnement de tests Approche multidimensionnelle des données des environnements de tests Système de recommandation pour le déploiement des bases de données CONCLUSION GENERALE ET PERSPECTIVES En ligne : https://tel.archives-ouvertes.fr/tel-01585828

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00014315	TH-17 BRA	Ouvrage	BIBLIOTHÈQUE - ACCÈS RÉSERVÉ	Thèses	Exclu du prêt
TH-17 BRA	BRA	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

Estimation et prédiction des productions d’énergies renouvelables et des consommations d’un réseau de distribution d’électricité / Mohamed TRIBAK  

Titre : Estimation et prédiction des productions d’énergies renouvelables et des consommations d’un réseau de distribution d’électricité Type de document : thèse Auteurs : Mohamed TRIBAK, Auteur ; Emmanuel GROLLEAU, Directeur de thèse ; Brice CHARDIN, Directeur de thèse ; Thierry POINOT, Directeur de thèse ; LIAS UR 20299 UP-ENSIP / ISAE-ENSMA, Commanditaire ; Sadok BEN YAHIA, Rapporteur ; Marie-Jeanne LESOT, Rapporteur ; Thomas DEVOGELE, Examinateur Année de publication : 2021 Importance : 166 p. Note générale : NNT 2021ESMA0012 Remerciements Résumé Abstract Table des matières Introduction générale Table des figures Liste des tableaux Bibliographie Annexes Résumé Mots clés Catégories : Apprentissage automatique Electricité:Production:Prévision Réseaux électriques intelligents Séries chronologiques Résumé : CONTEXTE GÉNÉRAL DE LA THÈSE Introduction du chapitre Réseau électrique français Contexte et enjeux de la thèse DONNÉES ET GÉNÉRALITÉS Introduction du chapitre Éléments de vocabulaire Données Prétraitement de données Qualité de données Conclusion du chapitre CONSOMMATION ÉLECTRIQUE DU RÉSEAU SRD Introduction du chapitre Objectif détaillé Généralités Données et expérimentation Résultats Conclusion du chapitre ESTIMATION DE LA PRODUCTION PV Introduction du chapitre Objectif détaillé Généralités Données et expérimentation Résultats Conclusion du chapitre PRÉVISION DE LA PRODUCTION PV Introduction du chapitre Objectif détaillé État de l'art Méthodologie de prévision Données et modélisation Résultats Conclusion du chapitre CONCLUSION GÉNÉRALE ET PERSPECTIVES En ligne : https://tel.archives-ouvertes.fr/tel-03477632

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
TH-21 TRI	TRI	Numérique	Thèses ISAE-ENSMA en ligne	Thèses	Exclu du prêt

Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems / Aurélien GÉRON

Titre : Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems Type de document : texte imprimé Auteurs : Aurélien GÉRON, Auteur Mention d'édition : 3rd edition Editeur : O'Reilly Media Inc. Année de publication : 2022 Importance : 834 p. ISBN/ISSN/EAN : 978-1-09-812597-4 Note générale : Table of Contents Preface Appendices Index About the Author Colophon Catégories : Apprentissage automatique Apprentissage par renforcement (intelligence artificielle) Intelligence artificielle Python (langage de programmation) Réseaux neuronaux (informatique) Scikit-Learn (logiciel) TensorFlow (logiciel) Index. décimale : 006.3 Intelligence artificielle Résumé : THE FUNDAMENTALS OF MACHINE LEARNING The Machine Learning Landscape End-to-End Machine Learning Project Classification Training Models Support Vector Machines Decision Trees Ensemble Learning and Random Forests Dimensionality Reduction Unsupervised Learning Techniques NEURAL NETWORKS AND DEEP LEARNING Introduction to Artificial Neural Networks with Keras Training Deep Neural Networks Custom Models and Training with TensorFlow Loading and Preprocessing Data with TensorFlow Deep Computer Vision Using Convolutional Neural Networks Processing Sequences Using RNNs and CNNs Natural Language Processing with RNNs and Attention Autoencoders, GANs, and Diffusion Models Reinforcement Learning Training and Deploying TensorFlow Models at Scale

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011584	006.3 GER	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Informatique. Découverte du Machine Learning : Les outils de l'apprentissage automatique / Gérard FLEURY

Titre : Informatique. Découverte du Machine Learning : Les outils de l'apprentissage automatique Type de document : texte imprimé Auteurs : Gérard FLEURY, Auteur ; Philippe LACOMME, Auteur ; Matthieu GONDRAN, Auteur ; Chafik SAMIR, Auteur Editeur : Ellipses Année de publication : 2021 Collection : Technosup (Paris), ISSN 1275-3955 Importance : 306 p. ISBN/ISSN/EAN : 978-2-340-04733-4 Note générale : Préface Avant-propos À qui s'adresse ce livre ? Remerciements Table des matières Index Catégories : Apprentissage automatique Exploration de données Intelligence computationnelle Langages de programmation Réseaux neuronaux (informatique) Séries chronologiques Index. décimale : 006.3 Intelligence artificielle Résumé : Machine Learning Les réseaux de neurones Découverte de TensorFlow et de Keras Réseaux Bayésiens Les méthodes de classification Weka et le Data Mining Séries chronologiques

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011331	006.3 FLE	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Disponible

Intelligent Autonomous Systems : Foundations and Applications / Dilip, Kumar PRATIHAR

Titre : Intelligent Autonomous Systems : Foundations and Applications Type de document : texte imprimé Auteurs : Dilip, Kumar PRATIHAR, Éditeur scientifique ; Lakhmi C. JAIN, Éditeur scientifique Editeur : Heidelberg : Springer Année de publication : 2010 Importance : 265 p. ISBN/ISSN/EAN : 978-3-642-26256-2 Note générale : Foreword Preface Contents Author Index Appendix Catégories : Apprentissage automatique Intelligence artificielle Index. décimale : 006.3 Intelligence artificielle Résumé : /

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00014832	006.3 PRA	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Disponible

Introduction au Machine Learning / Chloé-Agathe AZENCOTT

Titre : Introduction au Machine Learning Type de document : texte imprimé Auteurs : Chloé-Agathe AZENCOTT, Auteur Mention d'édition : 2e édition Editeur : Dunod Année de publication : 2022 Importance : 263 p. ISBN/ISSN/EAN : 978-2-10-083476-1 Note générale : Table des matières Avant-propos Annexes Index Catégories : Apprentissage automatique Apprentissage supervisé (intelligence artificielle) Forêts d'arbres de décision Optimisation convexe Réseaux neuronaux (informatique) Statistique bayésienne Index. décimale : 006.3 Intelligence artificielle Résumé : 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

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011752	006.3 AZE	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Machine Learning avec Scikit-Learn : Mise en œuvre et cas concrets / Aurélien GÉRON

Titre : Machine Learning avec Scikit-Learn : Mise en œuvre et cas concrets Type de document : texte imprimé Auteurs : Aurélien GÉRON, Auteur Mention d'édition : 3e éd. Editeur : Dunod Année de publication : 2023 Importance : 324 p. ISBN/ISSN/EAN : 978-2-10-084768-6 Note générale : Table des matières Avant-propos Le mot de la fin Annexes Index Catégories : Apprentissage automatique Forêts d'arbres de décision Scikit-Learn (logiciel) Index. décimale : 006.3 Intelligence artificielle Résumé : Vue d'ensemble du Machine Learning Un projet de Machine Learning de bout en bout Classification Entraînement de modèles Machines à vecteurs de support Arbres de décision Apprentissage d'ensemble et forêts aléatoires Réduction de dimension Techniques d'apprentissage non supervisé

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011675	006.3 GER	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Machine Learning: The Art and Science of Algorithms That Make Sense of Data / Peter A. FLACH

Titre : Machine Learning: The Art and Science of Algorithms That Make Sense of Data Type de document : texte imprimé Auteurs : Peter A. FLACH, Auteur Mention d'édition : 11TH PRINTING Editeur : Cambridge : Cambridge Univeristy Press Année de publication : 2017 Importance : 396 p. ISBN/ISSN/EAN : 978-1-107-09639-4 Note générale : Brief Contents Contents Preface Prologue: A Machine Learning Sampler Important Points to Remember References Index Langues : Anglais (eng) Catégories : Apprentissage automatique Intelligence artificielle Index. décimale : 006.3 Intelligence artificielle Résumé : The Ingredients of Machine Learning Binary Classification and Related Tasks Beyond Binary Classification Concept Learning Tree Models Rule Models Linear Models Distance-Based Models Probabilistic Models Features Model Ensembles Machine Learning Experiments Epilogue: Where to Go From Here

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00014545	006.3 FLA	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Disponible

Machine Learning with PyTorch and Scikit-Learn: Develop Machine Learning and Deep Learning Models with Python / Sebastian RASCHKA

Titre : Machine Learning with PyTorch and Scikit-Learn: Develop Machine Learning and Deep Learning Models with Python Type de document : texte imprimé Auteurs : Sebastian RASCHKA, Auteur ; Yuxi (Hayden) LIU, Auteur ; Vahid MIRJALILI, Auteur Editeur : Birmingham : Packt Publishing Année de publication : 2022 Importance : 741 p. ISBN/ISSN/EAN : 978-1-80181-931-2 Note générale : Foreword Contributors Table of Contents Preface Other Books You May Enjoy Index Catégories : Apprentissage automatique Apprentissage par renforcement (intelligence artificielle) Intelligence artificielle Python (langage de programmation) Réseaux neuronaux (informatique) Scikit-Learn (logiciel) Index. décimale : 006.3 Intelligence artificielle Résumé : Giving Computers the Ability to Learn from Data Training Simple Machine Learning Algorithms for Classification A Tour of Machine Learning Classifiers Using Scikit-Learn Building Good Training Datasets - Data Preprocessing Compressing Data via Dimensionality Reduction Learning Best Practices for Model Evaluation and Hyperparameter Tuning Combining Different Models for Ensemble Learning Applying Machine Learning to Sentiment Analysis Predicting Continuous Target Variables with Regression Analysis Working With Unlabeled Data - Clustering Analysis Implementing a Multiplayer Artificial Neural Network from Scratch Parallelizing Neural Network Training With PyTorch Going Deeper - The Mechanics of PyTorch Classifying Images with Deep Convolutional Neural Networks Modeling Sequential Data Using Recurrent Neural Networks Transformers - Improving Natural Language Processing with Attention Mechanisms Generative Adversarial Networks for Synthesizing New Data Graph Neural Networks for Capturing Dependencies in Graph Structured Data Reinforcement Learning for Decision Making in Complex Environments

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011590	006.3 RAS	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Pattern Recognition and Machine Learning / Christopher M. BISHOP

Titre : Pattern Recognition and Machine Learning Type de document : texte imprimé Auteurs : Christopher M. BISHOP, Auteur Mention d'édition : Corrected at 8th printing 2009 Editeur : New York : Springer Année de publication : 2009 Importance : 738 p. ISBN/ISSN/EAN : 978-0-387-31073-2 Note générale : Preface Mathematical Notation Contents Appendices References Index Catégories : Apprentissage automatique Echantillonnage (statistique) Modèles linéaires (statistique) Réseaux neuronaux (informatique) Index. décimale : 006.4 Reconnaissance de formes par ordinateur Résumé : Introduction Probability Distributions Linear Models for Regression Linear Models for Classification Neural Networks Kernel Methods Sparse Kernel Machines Graphical Models Mixture Models and EM Approximate Inference Sampling Methods Continuous Latent Variables Sequential Data Combining Models

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00011589	006.4 BIS	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Sorti jusqu'au 15/05/2026

Reinforcement Learning: An Introduction / Richard S. SUTTON

Titre : Reinforcement Learning: An Introduction Type de document : texte imprimé Auteurs : Richard S. SUTTON ; Andrew G. BARTO Mention d'édition : Second edition Editeur : The MIT Press Année de publication : 2020 Importance : 526 p. ISBN/ISSN/EAN : 978-0-262-03924-6 Note générale : Contents Prefaces Summary of Notation Introduction References Index Catégories : Apprentissage automatique Apprentissage par renforcement (intelligence artificielle) Intelligence artificielle Machines logiques Index. décimale : 006.3 Intelligence artificielle Résumé : TABULAR SOLUTION METHODS Multi-Armed Bandits Finite Markov Decision Processes Dynamic Programming Monte Carlo Methods Temporal-Difference Learning n-Step Bootstrapping Planning and Learning with Tablar Methods APPROXIMATE SOLUTION METHODS On-Policy Prediction with Approwimation On-Policy Control with Approximation *Off-Policy Methods with Approximation Eligibility Traces Policy Gradient Methods LOOKING DEEPER Psychology Neuroscience Applications and Case Studies Frontiers

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
B00014572	006.3 SUT	Ouvrage	BIBLIOTHÈQUE - ACCÈS LIBRE	000 - Informatique - Bibliothéconomie	Disponible

---

1 (1 - 16 / 16) Par page : 25 50 100 200