Andere Kunden interessierten sich auch für
![Apprentissage supervisé et non supervisé pour l'expression génétique]( "Apprentissage supervisé et non supervisé pour l'expression génétique")
Apprentissage supervisé et non supervisé pour l'expression génétique36,99 €![Apprentissage actif par modèles locaux]( "Apprentissage actif par modèles locaux")
Apprentissage actif par modèles locaux38,99 €![Apprentissage statistique pour le signal]( "Apprentissage statistique pour le signal")
Apprentissage statistique pour le signal38,99 €![Apprentissage automatique]( "Apprentissage automatique")
Apprentissage automatique29,99 €![Conception et mise en place d'un système d'apprentissage non-supervisé]( "Conception et mise en place d'un système d'apprentissage non-supervisé")
Conception et mise en place d'un système d'apprentissage non-supervisé32,99 €![Constats et perspectives sur l¿Enseignement-Apprentissage]( "Constats et perspectives sur l¿Enseignement-Apprentissage")
Constats et perspectives sur l¿Enseignement-Apprentissage44,99 €![Prédiction des épidémies de COVID-19 à l'aide de modèles d'apprentissage supervisé]( "Prédiction des épidémies de COVID-19 à l'aide de modèles d'apprentissage supervisé")
Prédiction des épidémies de COVID-19 à l'aide de modèles d'apprentissage supervisé26,99 €
Le clustering est une tâche centrale du processus d'exploration de données et de découverte de connaissances. De nos jours, l'abondance de données et l'augmentation continue de leur volume imposent aux algorithmes de clustering de s'améliorer et de s'adapter selon les aspects suivants : qualité, vitesse, passage à échelle. Pour toutes ces raisons, le domaine du clustering est toujours extrêmement actif. Le clustering semi-supervisé est ainsi devenu depuis une dizaine d'années une piste de recherche très intéressante dont le but est de développer des algorithmes de clustering qui permettent à un expert humain d'intégrer des connaissances du domaine pour améliorer la pertinence des analyses. Ces connaissances peuvent être exprimées soit par un ensemble de données étiquetées (des seeds) ou soit par un ensemble de contraintes. Pour répondre à ces problèmes, cet ouvrage s'articule autour de deux contributions principales : (1) des méthodes intelligentes pour la sélection de contraintes ou de données étiquetées (les seeds) intégrées à des algorithmes actifs et (2) de nouveaux algorithmes de clustering semi-supervisé qui améliorent les méthodes décrites dans la littérature.