Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
L APPRENTISSAGE AUTOMATIQUE
Academiques - EAN : 9783838142555
Édition papier
EAN : 9783838142555
Paru le : 20 juin 2014
89,90 €
85,21 €
Epuisé
Pour connaître votre prix et commander, identifiez-vous
Manquant sans date
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9783838142555
- Réf. fournisseur : 6502438
- Editeur : Academiques
- Date Parution : 20 juin 2014
- Disponibilite : Manque sans date
- Barème de remise : NS
- Nombre de pages : 252
- Format : 1.50 x 15.20 x 22.90 cm
- Poids : 376gr
- Interdit de retour : Retour interdit
- Résumé : Les travaux développés dans le cadre de cet ouvrage portent sur le problème du traitement des grandes masses de données lors de l'apprentissage automatique d'un modèle à partir d'une base d'exemples. Ainsi, le modèle construit servira comme un outil de classification de nouveaux cas. Nous étudions plus particulièrement dans un premier temps, le concept de la sélection de variables en présentant ses principales stratégies et en propulsant leurs insuffisances, en effet, une nouvelle méthode Filtre sera développée au cours de ce travail afin de remédier aux insuffisances signalées. Nous étudions dans un deuxième temps, le problème de l'augmentation super-exponentielle de la complexité algorithmique de l'apprentissage de structure d'un classifieur Bayésien dans le cas d'utilisation d'algorithmes généraux et sans restrictions particulières. Alors, on se propose lors de cette partie de développer une nouvelle approche permettant de réduire le nombre de graphes acycliques dirigés (DAG) possibles lors de l'apprentissage automatique de structure sans pour autant perdre de l'information.
