Les algorithmes d'apprentissage automatique utilisent des méthodes computationnelles pour extraire des informations directement des données. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues afin de prédire les résultats futurs, et l'apprentissage non supervisé, qui identifie des modèles cachés ou des structures intrinsèques dans les données d'entrée. La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et pratique, avec des applications via le logiciel R. Les techniques suivantes sont explorées en profondeur : analyse discriminante, modèles logit, modèles probit, modèles de comptage, modèles linéaires généralisés, modèles de choix discrets, arbres de décision et réseaux de neurones.
Dieser Download kann aus rechtlichen Gründen nur mit Rechnungsadresse in A, B, CY, CZ, D, DK, EW, E, FIN, F, GR, H, IRL, I, LT, L, LR, M, NL, PL, P, R, S, SLO, SK ausgeliefert werden.