Machine learning : a bayesian and optimization perspective

Machine learning : a bayesian and optimization perspective

Enregistré dans:

Détails bibliographiques
Auteur principal:	Theodoridis, Sergios. (Auteur)
Support:	E-Book
Langue:	Anglais
Publié:	London ; San Diego : Elsevier : Academic Press, 2015.
Sujets:	Optimisation mathématique. Apprentissage automatique. Statistique bayésienne. Bayesian statistical decision theory. Machine learning. Mathematical optimization.
Autres localisations:	Voir dans le Sudoc
Accès en ligne:	Accès à l'E-book

Documents similaires

Optimization for machine learning
par: Sra, Suvrit (1976-....).
Publié: (2011)

Optimization : a theory of necessary conditions
par: Neustadt, Lucien W. (1928-1972).
Publié: (2015)

Bayesian Analysis with Python
par: Martin, Osvaldo.
Publié: (2016)

Problèmes d'optimisation continue : avec corrigés et rappels de cours
par: Lafitte, Olivier (19..-....).

La formule du savoir : une philosophie unifiée du savoir fondée sur le théorème de Bayes
par: Hoang, Lê Nguyên (1987-....).
Publié: (2018)

Machine learning with R : learn how to use R to apply powerful machine learning methods and gain an insight into real-world applications
par: Lantz, Brett.
Publié: (2013)

Nature-inspired optimization algorithms
par: Yang, Xin-She (19..-....).
Publié: (2020)

Bayesian Models : A Statistical Primer for Ecologists
par: Hobbs, N. Thompson.
Publié: (2015)

Machine learning for developers : uplift your regular applications with the power of statistics, analytics, and machine learning
par: Bonnin, Rodolfo.
Publié: (2017)

Understanding uncertainty
par: Lindley, Dennis (1923-2013).
Publié: (2014)

Réseaux bayésiens avec R
par: Denis, Jean-Baptiste (19..-....).
Publié: (2014)

Machine learning for planetary science
par: Helbert, Joern.
Publié: (2022)

Data science : fondamentaux et études de cas : machine learning avec Python et R
par: Biernat, Éric (19..-....).
Publié: (2015)

Techniques d'optimisation.
par: Cerf, Max (1967-....).

Apache Mahout essentials : implement top-notch machine learning algorithms for classification, clustering, and recommendations with Apache Mahout
par: Withanawasam (Jayani).
Publié: (2015)

Causes, probabilités, inférences
par: Drouet, Isabelle (1981-....; enseignante-chercheuse en philosophie des sciences).
Publié: (2017)

Machine Learning Algorithms : Reference guide for popular algorithms for data science and machine learning
par: Bonaccorso, Bonaccorso.
Publié: (2017)

Adversial robustness for machine learning
par: Chen, Pin-Yu (19..-).

Building Machine Learning Systems with Python : master the art of machine learning with Python and build effective machine learning systems with this intensive hands-on guide
par: Richert, Willi.
Publié: (2013)

Practical machine learning in R
par: Nwanganga, Fred (19..-....).

Python machine learning
par: Lee, Wei-Meng (19..-....).

F# for machine learning essentials : get up and running with machine learning with F# in a fun and functional way
par: Mukherjee, Sudipta.
Publié: (2016)

Inverse theory and applications in geophysics
par: Ždanov, Mihail Semenovič.
Publié: (2015)

Gaussian Processes for Machine Learning
par: Rasmussen, Carl Edward (1969-....).
Publié: (2005)

Graph Machine Learning : Take graph data to the next level by applying machine learning techniques and algorithms
par: Stamile, Claudio (19..-....; chercheur en informatique).
Publié: (2021)

Self-Regularity : A New Paradigm for Primal-Dual Interior-Point Algorithms
par: Terlaky, Tamas.
Publié: (2002)

Techniques d'optimisation.
par: Cerf, Max (1967-....).

Introduction to statistical machine learning
par: Sugiyama, Masashi.
Publié: (2015)

Réseaux bayésiens
par: Naïm, Patrick.
Publié: (2007)

Developmental robotics : from babies to robots
par: Cangelosi, Angelo (1967-....).

Apprentissage machine, clé de l'intelligence artificielle : une introduction pour non-spécialistes
par: Gilleron, Rémi.

The Promise of Artificial Intelligence : Reckoning and Judgment
par: Smith, Brian Cantwell.
Publié: (2019)

Mastering .NET machine learning : master the art of machine learning with .NET and gain insight into real-world applications
par: Dixon, Jamie.
Publié: (2016)

Méthodes numériques et optimisation : théorie et pratique pour l'ingénieur
par: Corriou, Jean-Pierre (1950-....).

Deep learning by example : a hands-on guide to implementing advanced machine learning algorithms and neural networks
par: Menshawy, Ahmed.
Publié: (2018)

Apprentissage artificiel : concepts et algorithmes : de Bayes et Hume au Deep Learning
par: Barra, Vincent (19..-....; chercheur en informatique de modélisation).
Publié: (2021)

R machine learning by example : understand the fundamentals of machine learning with R and build your own dynamic algorithms to tackle complicated real-world problems successfully
par: Bali, Raghav (19..-....).
Publié: (2016)

Deep learning with PyTorch : a practical approach to building neural network models using PyTorch
par: Subramanian, Vishnu (19..-....).
Publié: (2018)

Métaheuristiques : recuit simulé, recherche avec tabous, recherche à voisinages variables, méthode GRASP, algorithmes évolutionnaires, fourmis artificielles, essaims particulaires et autres méthodes d'optimisation
Publié: (2014)

Deep learning
par: Kelleher, John D. (1974-....).
Publié: (2019)

Université catholique de l'Ouest - Bibliothèques - 3 place André Leroy - BP10808 - 49008 ANGERS Cedex 1