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 unique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel".
Ce livre s'adresse aux décideurs et aux ingénieurs qui souhaitent comprendre l'apprentissage automatique et en acquérir des connaissances solides, ainsi qu'aux étudiants de niveau maîtrise, DEA ou école d'ingénieurs qui souhaitent un ouvrage de référence en intelligence artificielle et en reconnaissance des formes.
Cet ouvrage est publié avec le concours de l'École Nationale Supérieure des Sciences Appliquées et de Technologie (Lannion).
Au sommaire
I. Les fondements de l'apprentissage
Première approche théorique de l'induction
Environnement méthodologique
II. Apprentissage par exploration
Induction et relation d'ordre
Programmation logique inductive
Inférence grammaticale
Apprentissage par évolution
III. Apprentissage par optimisation
Surfaces séparatrices linéaires
Réseaux connexionistes
Réseaux bayésiens
Modèles de Markov cachés
IV. Apprentissage par approximation et interpolation
Classification non supervisée
Apprentissage par renforcement
Annexes et bibliographie
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 unique pour l'ensemble des techniques regroupées sous ce terme "d'apprentissage artificiel".
Ce livre s'adresse aux décideurs et aux ingénieurs qui souhaitent comprendre l'apprentissage automatique et en acquérir des connaissances solides, ainsi qu'aux étudiants de niveau maîtrise, DEA ou école d'ingénieurs qui souhaitent un ouvrage de référence en intelligence artificielle et en reconnaissance des formes.
Cet ouvrage est publié avec le concours de l'École Nationale Supérieure des Sciences Appliquées et de Technologie (Lannion).
Au sommaire
I. Les fondements de l'apprentissage
Première approche théorique de l'induction
Environnement méthodologique
II. Apprentissage par exploration
Induction et relation d'ordre
Programmation logique inductive
Inférence grammaticale
Apprentissage par évolution
III. Apprentissage par optimisation
Surfaces séparatrices linéaires
Réseaux connexionistes
Réseaux bayésiens
Modèles de Markov cachés
IV. Apprentissage par approximation et interpolation
Classification non supervisée
Apprentissage par renforcement
Annexes et bibliographie