Apprentissage statistique (3° Éd.) Réseaux de neurones. Cartes topologiques. Machines à vecteurs supports Coll. Algorithmes

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.

• Avant-propos et guide de lecture
• L'apprentissage statistique : pourquoi, comment ?
• Les réseaux de neurones
• Compléments de méthodologie pour la modélisation : réduction de dimension et ré-échantillonnage
• Identification "neuronale" de systèmes dynamiques commandés et réseaux bouclés (récurrents)
• Apprentissage d'une commande en boucle fermée
• La discrimination
• Cartes auto-organisatrices et classification automatique
• Bibliographie commentée
• Outils pour les réseaux de neurones et contenu du CD-Rom

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.

Manuel Samuelides dirige le département de mathématiques appliquées de l'ENSAE (Su-paéro) ; il y enseigne les probabilités, l'optimisation et les techniques probabilistes de l'apprentissage. Il effectue des recherches au département de traitement de l'information et modélisation de l'ONERA.

Sylvie Thiria, professeur à l'université de Versailles Saint-Quentin-en-Yvelines, effectue des recherches sur la modélisation neuronale et sur ses applications, notamment à la géophysi-que, au Laboratoire d'océanographie dynamique et de climatologie (LODYC).

Fouad Badran, maître de conférences au CNAM, y enseigne les réseaux de neurones

Mirta B. Gordon, physicienne et directeur de recherches au CNRS, effectue des recherches sur les algorithmes d'apprentissage. Elle tra-vaille avec le laboratoire Leibniz, de l'Institut de mathématiques appliquées de Grenoble (IMAG), et au groupe Théorie du département de recherche fondamentale du CEA Grenoble.

Gérard Dreyfus dirige le laboratoire d'électronique de l'École supérieure de physi-que et de chimie industrielles de la ville de Pa-ris (ESPCI) où il enseigne notamment les mé-thodes de modélisation par apprentissage. Il dispense des formations continues à l'usage des ingénieurs dans ce domaine.

Jean-Marc Martinez enseigne les méthodes d'apprentissage statistique à l'INSTN de Sa-clay et à Evry en collaboration avec le LSC, unité mixte CEA – Université. Il effectue des recherches dans le domaine des méthodes adaptées à la supervision de la simulation.