EYROLLES Apprentissage statistique: Réseaux de neurones. Cartes topologiques. Machines à vecteurs supports

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. A 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. From the Back Cover 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 (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, 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. Sur le CD-Rom offert avec ce livre Cinq exemples de modèles avec données et codes source. Version d'évaluation (6 semaines) de Neuro One 6.10.7 pour Windows NT4, 2000, 2003 et XP : un outil dédié convivial pour la création de modèles de réseaux de neurones. Un compilateur C pour MS-Windows. Bibliothèque non linéaire MonaEx70.dll, niveau 0. Configuration minimale requise : PC avec processeur Pentium 2 (ou équivalent) - MS-Windows 98/NT, 2000 ou XP - Fréquence supérieure à 100 MHz - 25 Mo d'espace disque disponible - 64 Mo de RAM. About the Author 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 pr