Apprentissage artificiel : deep learning, concepts et algorithmes / Antoine Cornuéjols, Laurent Miclet, Vincent Barra

Autres tirages : 2019

Bibliogr. p. [851]-889. Notes bibliogr.. Index

Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web... Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples. Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel". La troisième édition de ce livre a été complètement réorganisée pour s'adapter aux évolutions très significatives de l'apprentissage artificiel ces dernières années. Une large place y est accordée aux techniques d'apprentissage profond et à de nouvelles applications, incluant le traitement de flux de données. [Cit. 4e de couv.]

P. iii Table des matières P. ix Notations P. 1 I Des machines apprenantes ! P. 3 1 Des algorithmes qui apprennent ? P. 43 2 Introduction à des approches théoriques de l'induction supervisée P. 85 II L'induction exploitant la structure de l'espace des hypothèses P. 87 3 Exploitation d'une relation de généralité entre hypothèses P. 111 4 L'inférence grammaticale P. 153 5 La programmation logique inductive P. 191 6 La recherche de motifs dans les données P. 213 7 Apprentissage et théorie du domaine P. 237 III L'induction par optimisation d'un critère inductif P. 239 8 L'apprentissage de modèles linéaires P. 269 9 L'apprentissage de réseaux connexionnistes P. 301 10 Apprentissage profond P. 339 IV L'induction par comparaison à des exemples (et par collaboration) P. 341 11 Apprentissage par similarité P. 371 12 Méthodes à noyaux P. 431 13 Apprentissage par combinaison d'experts P. 471 V L'apprentissage descriptif P. 473 14 Apprentissages non supervisés P. 501 15 Les changements de représentation P. 531 16 L'apprentissage bayésien et son approximation P. 573 17 L'apprentissage de réseaux bayésiens P. 603 18 L'apprentissage de modèles de Markov cachés P. 627 VI Apprentissage en environnement non stationnaire P. 629 19 L'apprentissage de réflexes par renforcement P. 671 20 Nouveaux scénarios : apprentissages actif, en ligne et par transfert P. 707 VII Aspects pratiques et suppléments P. 790 21 L'apprentissage semi-supervisé P. 733 22 Analyse de l'induction : approfondissement et ouvertures P. 767 23 Aspects pratiques de l'apprentissage P. 817 VIII Annexes techniques P. 819 24 Annexes techniques P. 851 Bibliographie P. 891 Index