5. Conclusion
L’apprentissage statistique supervisé est un ensemble de modèles et algorithmes qui a prouvé son utilité et sa puissance dans des domaines d’application de plus en plus variés. Il a donc (au même titre par exemple que les bases du traitement du signal) toute sa place dans la « boîte à outils » des techniques et algorithmes que tout ingénieur devrait dorénavant connaître, voire maîtriser un minimum. D’autant que c’est une des clefs pour ajouter de l’intelligence dans les produits et services, ce qui est un des enjeux actuels de l’innovation et de la compétition économique internationale.
Le domaine de l’apprentissage statistique est actuellement en plein essor, non seulement par le foisonnement de nouvelles applications, mais aussi par la grande vitalité et productivité des recherches sur les méthodes en elles-mêmes : de nouveaux modèles et algorithmes sont régulièrement inventés et présentés...
Cet article est réservé aux abonnés
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ?
Se connecter
Lecture en cours
Conclusion
Sources bibliographiques
-
(1) - RUMELHART (D.E.), HINTON (G.E.), WILLIAMS (R.J.) - Learning representations by back-propagating errors. - Nature, 323 (6088) : 533-536 (1986).
-
(2) - CYBENKO (G.) - Approximation by superpositions of a sigmoidal function. - Mathematics of Control, Signals, and Systems, 2(4), 303-314 (1989).
...
À lire également dans nos bases
-
CANU (S.) - Machines à noyaux pour l’apprentissage statistique. -
Outils logiciels
Pour les algorithmes « classiques » d’apprentissage statistique, l’outil logiciel le plus riche (contenant des implémentations de la pluparts des modèles et algorithmes) et très couramment utilisé est :
Sci-Kit Learn (librairie Python), http://scikit-learn.org
Pour l’apprentissage profond de réseaux convolutionnels, les principales librairies...
Cet article est réservé aux abonnés
Cet article est réservé aux abonnés. Il vous reste 92 % à découvrir.
Déjà abonné ?
Se connecter