{"product_id":"elements-of-dimensionality-reduction-and-manifold-learning-paperback","title":"Éléments de réduction de dimensionnalité et d'apprentissage de variétés - Broché","description":"\u003cdiv\u003e\u003cp style=\"text-align: right;\"\u003e\u003ca href=\"https:\/\/reportcopyrightinfringement.com\/\" target=\"_blank\" rel=\"nofollow\"\u003e\u003cb\u003eSignaler une infraction au droit d'auteur\u003c\/b\u003e\u003c\/a\u003e\u003c\/p\u003e\u003c\/div\u003e\u003cp\u003ede \u003cb\u003eBenyamin Ghojogh\u003c\/b\u003e (Auteur), \u003cb\u003eMark Crowley\u003c\/b\u003e (Auteur), \u003cb\u003eFakhri Karray\u003c\/b\u003e (Auteur)\u003c\/p\u003e\u003cp\u003eLa réduction de dimensionnalité, également connue sous le nom d'apprentissage de variétés (manifold learning), est un domaine de l'apprentissage automatique utilisé pour extraire des caractéristiques informatives des données afin d'améliorer leur représentation ou la séparation entre les classes. Ce livre présente un examen cohérent de la réduction de dimensionnalité linéaire et non linéaire et de l'apprentissage de variétés. Trois aspects principaux de la réduction de dimensionnalité sont abordés : la réduction de dimensionnalité spectrale, la réduction de dimensionnalité probabiliste et la réduction de dimensionnalité basée sur les réseaux neuronaux, qui présentent des points de vue géométriques, probabilistes et informationnels sur la réduction de dimensionnalité, respectivement. Les notions de base et les prérequis nécessaires en algèbre linéaire, en optimisation et en noyaux sont également expliqués pour assurer une compréhension complète des algorithmes.\u003cbr\u003eLes outils introduits dans ce livre peuvent être appliqués à diverses applications impliquant l'extraction de caractéristiques, le traitement d'images, la vision par ordinateur et le traitement du signal. Ce livre s'adresse à un large public souhaitant acquérir une compréhension approfondie des diverses façons d'extraire, de transformer et de comprendre la structure des données. Les publics cibles sont les universitaires, les étudiants et les professionnels de l'industrie. Les chercheurs et les étudiants universitaires peuvent utiliser ce livre comme manuel pour l'apprentissage automatique et la réduction de dimensionnalité. Les data scientists, les scientifiques en apprentissage automatique, les scientifiques en vision par ordinateur et les informaticiens peuvent utiliser ce livre comme référence. Il peut également être utile aux statisticiens dans le domaine de l'apprentissage statistique et aux mathématiciens appliqués dans les domaines des variétés et de l'analyse de sous-espaces. Les professionnels de l'industrie, y compris les ingénieurs appliqués, les ingénieurs en données et les ingénieurs dans divers domaines scientifiques traitant de l'apprentissage automatique, peuvent l'utiliser comme guide pour l'extraction de caractéristiques de leurs données, car les données brutes dans l'industrie nécessitent souvent un prétraitement.\u003cbr\u003eLe livre est ancré dans la théorie mais fournit des explications approfondies et des exemples variés pour améliorer la compréhension des sujets avancés par le lecteur. Les méthodes avancées sont expliquées étape par étape afin que les lecteurs de tous niveaux puissent suivre le raisonnement et parvenir à une compréhension profonde des concepts. Ce livre ne suppose pas de connaissances théoriques avancées en apprentissage automatique et fournit les bases nécessaires, bien qu'un niveau de premier cycle en algèbre linéaire et en calcul soit recommandé.\u003cbr\u003e\u003c\/p\u003e\u003ch3\u003eDos de la jaquette\u003c\/h3\u003e\u003cp\u003eLa réduction de dimensionnalité, également connue sous le nom d'apprentissage de variétés (manifold learning), est un domaine de l'apprentissage automatique utilisé pour extraire des caractéristiques informatives des données afin d'améliorer leur représentation ou la séparation entre les classes. Ce livre présente un examen cohérent de la réduction de dimensionnalité linéaire et non linéaire et de l'apprentissage de variétés. Trois aspects principaux de la réduction de dimensionnalité sont abordés : la réduction de dimensionnalité spectrale, la réduction de dimensionnalité probabiliste et la réduction de dimensionnalité basée sur les réseaux neuronaux, qui présentent des points de vue géométriques, probabilistes et informationnels sur la réduction de dimensionnalité, respectivement. Les notions de base et les prérequis nécessaires en algèbre linéaire, en optimisation et en noyaux sont également expliqués pour assurer une compréhension complète des algorithmes.\u003cbr\u003eLes outils introduits dans ce livre peuvent être appliqués à diverses applications impliquant l'extraction de caractéristiques, le traitement d'images, la vision par ordinateur et le traitement du signal. Ce livre s'adresse à un large public souhaitant acquérir une compréhension approfondie des diverses façons d'extraire, de transformer et de comprendre la structure des données. Les publics cibles sont les universitaires, les étudiants et les professionnels de l'industrie. Les chercheurs et les étudiants universitaires peuvent utiliser ce livre comme manuel pour l'apprentissage automatique et la réduction de dimensionnalité. Les data scientists, les scientifiques en apprentissage automatique, les scientifiques en vision par ordinateur et les informaticiens peuvent utiliser ce livre comme référence. Il peut également être utile aux statisticiens dans le domaine de l'apprentissage statistique et aux mathématiciens appliqués dans les domaines des variétés et de l'analyse de sous-espaces. Les professionnels de l'industrie, y compris les ingénieurs appliqués, les ingénieurs en données et les ingénieurs dans divers domaines scientifiques traitant de l'apprentissage automatique, peuvent l'utiliser comme guide pour l'extraction de caractéristiques de leurs données, car les données brutes dans l'industrie nécessitent souvent un prétraitement.\u003cbr\u003eLe livre est ancré dans la théorie mais fournit des explications approfondies et des exemples variés pour améliorer la compréhension des sujets avancés par le lecteur. Les méthodes avancées sont expliquées étape par étape afin que les lecteurs de tous niveaux puissent suivre le raisonnement et parvenir à une compréhension profonde des concepts. Ce livre ne suppose pas de connaissances théoriques avancées en apprentissage automatique et fournit les bases nécessaires, bien qu'un niveau de premier cycle en algèbre linéaire et en calcul soit recommandé.\u003c\/p\u003e\u003ch3\u003eBiographie de l'auteur\u003c\/h3\u003e\u003cp\u003e\u003cb\u003eBenyamin Ghojogh : \u003c\/b\u003e\u003c\/p\u003e\u003cp\u003eBenyamin Ghojogh a obtenu son B.Sc. en génie électrique à l'Université de technologie Amirkabir, Téhéran, Iran, en 2015, son M.Sc. en génie électrique à l'Université de technologie Sharif, Téhéran, Iran, en 2017, et son Ph.D. en génie électrique et informatique (dans le domaine de l'analyse de motifs et de l'apprentissage automatique) à l'Université de Waterloo, Waterloo, ON, Canada, en 2021. Il a été boursier postdoctoral, se concentrant sur l'apprentissage automatique, à l'Université de Waterloo, en 2021. Ses intérêts de recherche incluent l'apprentissage automatique, la réduction de dimensionnalité, l'apprentissage de variétés, la vision par ordinateur, la science des données et l'apprentissage profond.\u003c\/p\u003e \u003cp\u003e\u003cb\u003eMark Crowley : \u003c\/b\u003e\u003c\/p\u003e \u003cp\u003eMark Crowley est titulaire d'un doctorat en informatique de l'Université de la Colombie-Britannique et a été boursier postdoctoral à l'Oregon State University. Il est maintenant professeur agrégé au Département de génie électrique et informatique de l'Université de Waterloo et enseigne régulièrement des cours de premier et de deuxième cycle sur la programmation logicielle, l'intelligence artificielle et l'analyse de données. Il est membre de l'Institut d'intelligence artificielle de Waterloo. Il mène des recherches pour trouver des moyens fiables et transparents d'augmenter la prise de décision humaine dans des domaines complexes, en particulier en présence de structure spatiale, de données en flux continu et d'incertitude. Son groupe de recherche se concentre sur le développement de nouveaux algorithmes dans les domaines de l'apprentissage par renforcement, de l'apprentissage profond et de l'apprentissage de variétés. Cela implique souvent une collaboration avec l'industrie et les décideurs dans des domaines aussi divers que la gestion durable des forêts, l'écologie, la conduite autonome, la chimie physique et l'imagerie médicale.\u003c\/p\u003e \u003cp\u003e\u003cb\u003eFakhri Karray : \u003c\/b\u003e\u003c\/p\u003e \u003cp\u003eFakhreddine (Fakhri) Karray est le titulaire de la chaire de recherche Loblaws en intelligence artificielle au département de génie électrique et informatique de l'Université de Waterloo, Canada. Il est le co-directeur fondateur de l'Institut d'IA de l'Université de Waterloo. Il est actuellement prévôt et professeur d'apprentissage automatique à l'Université Mohamed bin Zayed d'intelligence artificielle, une université d'IA de niveau supérieur et axée sur la recherche, la première du genre. Les intérêts de recherche de Fakhri portent sur les avancées en apprentissage automatique, l'IA opérationnelle, les machines cognitives, l'interaction homme-machine naturelle, les systèmes autonomes et intelligents. Les applications de ses recherches comprennent les systèmes de soins virtuels, les machines\/robots\/véhicules cognitifs et auto-conscients, l'analyse prédictive dans la gestion de la chaîne d'approvisionnement et les systèmes de transport intelligents. Les travaux récents de Fakhri et de son équipe de recherche sur la reconnaissance et la prédiction du comportement du conducteur basées sur l'apprentissage profond ont été présentés dans The Washington Post, Wired Magazine, Globe and Mail, la radio CBC et Discovery Channel Canada. Il a été honoré en 2021 par l'IEEE Vehicular Technology Society (VTS) pour son travail novateur sur l'amélioration de la prédiction du flux de trafic en utilisant les informations météorologiques dans les voitures connectées grâce à l'apprentissage profond et aux outils d'IA et a reçu le \u003ci\u003ePrix du meilleur article sur le transport terrestre 2021\u003c\/i\u003e de la Société.\u003c\/p\u003e\u003cp\u003e Fakhri est le co-auteur d'un manuel sur l'intelligence artificielle appliquée : Soft Computing and Intelligent Systems Design (Pearson Education Publishing, 2004). Il a publié de nombreux articles dans le domaine général de l'analyse des motifs et de l'intelligence artificielle et est l'auteur de 20 brevets américains enregistrés. Il est rédacteur en chef associé (AE) de revues phares dans le domaine de l'IA et des systèmes intelligents, notamment l'IEEE Transactions on Cybernetics, l'IEEE Transactions on Neural Networks and Learning Systems et l'IEEE Computational Intelligence Magazine. Il a été AE et rédacteur en chef invité pour l'IEEE Transactions on Mechatronics, l'IEEE Computational Intelligence Magazine et IEEE Access (numéro spécial sur l'IoMT). Il siège également à plusieurs comités de rédaction de revues liées à l'IA et a été président général\/président de programme pour plusieurs conférences internationales dans le domaine des systèmes intelligents. Fakhri est le co-fondateur et scientifique en chef de Yourika.ai, un fournisseur de systèmes d'apprentissage en ligne basés sur l'IA. Il est membre de l'IEEE, membre de l'Académie canadienne de génie, membre de l'Institut canadien des ingénieurs et membre des Kavli Frontiers. Il a obtenu son doctorat de l'Université de l'Illinois Urbana-Champaign, États-Unis, et a complété son diplôme d'ingénieur de premier cycle à l'École Nationale d'Ingénieurs de Tunis, Tunisie.\u003cbr\u003e\u003c\/p\u003e \u003cp\u003e\u003cb\u003eAli Ghodsi : \u003c\/b\u003e\u003c\/p\u003e\u003cp\u003eAli Ghodsi est professeur de statistique et d'informatique à l'Université de Waterloo en Ontario, Canada, et membre de l'Institut d'intelligence artificielle de Waterloo. Ses recherches actuelles couvrent un large éventail de l'IA, englobant l'apprentissage automatique, l'apprentissage profond et la réduction de dimensionnalité. Il enseigne régulièrement des cours sur ces sujets. Il étudie les cadres théoriques et développe de nouveaux algorithmes d'apprentissage automatique pour analyser de grands ensembles de données, avec des applications dans le traitement du langage naturel, la bioinformatique, la reconnaissance de motifs, la vision par ordinateur et la prise de décision séquentielle. Les travaux du Dr Ghodsi ont été largement publiés dans des actes et revues de haute qualité, et il est le co-auteur de plusieurs brevets américains. Ses conférences populaires sur YouTube comptent plus d'un million de vues.\u003c\/p\u003e\u003cp\u003e\u003c\/p\u003e\n            \u003cdiv\u003e\n\n\u003cstrong\u003eNombre de pages :\u003c\/strong\u003e 606\u003c\/div\u003e\n            \u003cdiv\u003e\n\n\u003cstrong\u003eDimensions :\u003c\/strong\u003e 1,28 x 9,21 x 6,14 pouces\u003c\/div\u003e\n            \u003cdiv\u003e\n\n\u003cstrong\u003eIllustré :\u003c\/strong\u003e Oui\u003c\/div\u003e\n            \u003cdiv\u003e\n\n\u003cstrong\u003eDate de publication :\u003c\/strong\u003e 03 février 2024\u003c\/div\u003e\n            ","brand":"BooksCloud","offers":[{"title":"Default Title","offer_id":47026873172143,"sku":"9783031106040","price":121.53,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0723\/7314\/1679\/files\/KKmW5eY0589783031106040.webp?v=1781469948","url":"https:\/\/valuevaultclub.myshopify.com\/fr\/products\/elements-of-dimensionality-reduction-and-manifold-learning-paperback","provider":"Value Vault Club","version":"1.0","type":"link"}