Description
Reconnaissance de motifs et apprentissage automatique est un manuel qui propose une introduction complète aux domaines de la reconnaissance de motifs et de l'apprentissage automatique. Ces domaines ont connu un développement substantiel au cours de la dernière décennie, les méthodes bayésiennes passant d'un domaine de niche à une application grand public. Le livre couvre l'émergence de modèles graphiques comme cadre pour les modèles probabilistes et discute de l'applicabilité pratique des méthodes bayésiennes améliorées par des algorithmes d'inférence approximative tels que Bayes variationnel et propagation d'attente.
Lire la suite
Le manuel explore également de nouveaux modèles basés sur des noyaux, qui ont eu un impact significatif sur les algorithmes et les applications. Il s'adresse aux étudiants avancés de premier cycle ou aux doctorants de première année, ainsi qu'aux chercheurs et praticiens. Le livre ne suppose aucune connaissance préalable des concepts de reconnaissance de motifs ou d'apprentissage automatique, mais nécessite une familiarité avec le calcul multivarié et l'algèbre linéaire de base. Une introduction autonome à la théorie des probabilités de base est incluse, la rendant accessible à ceux ayant des connaissances limitées en probabilités.
Reconnaissance de motifs et apprentissage automatique sert de ressource précieuse pour comprendre les développements récents dans ces domaines. Il fournit des perspectives sur l'intégration des points de vue en ingénierie et en informatique, mettant en lumière les deux facettes de la reconnaissance de motifs et de l'apprentissage automatique. Le manuel est publié par Springer Nature et est disponible à l'achat ou à l'emprunt via leur plateforme.
- CatégorieAutres outils IA
Détails du livre
Introduction complète à la reconnaissance de motifs
Couvre les développements en apprentissage automatique
Accent sur les méthodes bayésiennes
Inclut le cadre des modèles graphiques
Discute des modèles basés sur des noyaux
Conçu pour les étudiants avancés et les doctorants
Nécessite des connaissances en calcul et en algèbre linéaire
Introduction autonome à la théorie des probabilités
À qui s'adresse ce livre
- Étude académique
- Référence de recherche
- Développement professionnel
- Développement d'algorithmes
- Application des méthodes bayésiennes
