38,99 €
inkl. MwSt.
Versandkostenfrei*
Versandfertig in über 4 Wochen
payback
19 °P sammeln
  • Broschiertes Buch

Les méthodes d'apprentissage statistiques exploitent des exemples, pour enseigner un comportement à un modèle prédictif. La classification supervisée requiert des exemples étiquetés. En pratique, l'étiquetage des exemples peut se révéler coûteux. Dans certains cas, l'étiquetage implique un expert humain, un instrument de mesure, un temps de calcul levé etc. Les méthodes d'apprentissage actif réduisent le coût de préparation des données. Ces méthodes cherchent à étiqueter uniquement les exemples les plus utiles à l'apprentissage d'un modèle. Les stratégies actives de la littérature utilisent…mehr

Produktbeschreibung
Les méthodes d'apprentissage statistiques exploitent des exemples, pour enseigner un comportement à un modèle prédictif. La classification supervisée requiert des exemples étiquetés. En pratique, l'étiquetage des exemples peut se révéler coûteux. Dans certains cas, l'étiquetage implique un expert humain, un instrument de mesure, un temps de calcul levé etc. Les méthodes d'apprentissage actif réduisent le coût de préparation des données. Ces méthodes cherchent à étiqueter uniquement les exemples les plus utiles à l'apprentissage d'un modèle. Les stratégies actives de la littérature utilisent généralement des modéles globaux à l'espace des variables d'entrées. Nous proposons une stratégie originale qui effectue un partitionnement dichotomique récursif de l'espace d'entrée. Cette stratégie met en compétition les modèles locaux à chacune des zones, pour choisir les exemples à étiqueter.
Autorenporträt
Alexis Bondu est specialiste de "l''Apprentissage Statistique". Après avoir effetué son doctorat à OrangeLabs sur "les méthodes d''Apprentissage Actif", il est actuellement chercheur chez EDF R&D. Ces thèmes de recherche principaux sont l''analyse de flux de données, la classification supervisée et le co-clustering.