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.
Apprentissage de modèles graphiques probabilistes
Univ Europeenne - EAN : 9786131532511
Édition papier
EAN : 9786131532511
Paru le : 3 sept. 2010
79,00 €
74,88 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
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 : 9786131532511
- Réf. fournisseur : 4462863
- Editeur : Univ Europeenne
- Date Parution : 3 sept. 2010
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 256
- Format : H:229 mm L:152 mm E:15 mm
- Poids : 380gr
- Interdit de retour : Retour interdit
- Résumé : Les modèles graphiques probabilistes sont un formalisme mêlant efficacement la théorie des graphes, permettant des représentations intuitives, et la théorie des probabilités, permettant la prise en compte d''incertitudes et d''imprécisions. La montée en puissance de ces modèles ces dernières décennies a abouti en l''attribution de la médaille Benjamin Franklin à Judea Pearl en informatique et sciences cognitives en 2008. Ce dernier a introduit les premiers algorithmes généraux de raisonnement dans l''incertain qui promettent des avancées majeures en traitement de l''information. Envisager les ordinateurs comme des machines pouvant découvrir par elle-mêmes des relations causales dissimulées au sein des millions d''observations disponibles dans les bases de données sans cesse alimentées automatiquement à travers le monde est devenue une réalité. L''utilisation des modèles graphiques impacte profondément l''intelligence artificielle ainsi que les statistiques appliquées. Ces modèles peuvent alors se révélés utiles dans les nombreux domaines applicatifs liés au traitement du signal et à l''apprentissage automatique, notamment sur la problématique d''extraction de connaissances.
