Apply data science

Public ISBD Titre : Apply data science : introduction, applications and projects Type de document : texte imprimé Auteurs : Thomas Barton, Editeur scientifique ; Christian Müller (19..-....), Editeur scientifique Editeur : Wiesbaden : Springer Vieweg Année de publication : 2023 Importance : 232 p. Format : 24 cm ISBN/ISSN/EAN : 978-3-658-38797-6 Note générale : Notes bibliogr. Langues : Anglais (eng) Catégories : Livres Tags : Apprentissage automatique  Applications industrielles  Exploration de données  Aspect moral Index. décimale : 006.31 Apprentissage automatique Résumé : This book offers an introduction to the topic of data science based on the visual processing of data. It deals with ethical considerations in the digital transformation and presents a process framework for the evaluation of technologies. It also explains special features and findings on the failure of data science projects and presents recommendation systems in consideration of current developments. Machine learning functionality in business analytics tools is compared and the use of a process model for data science is shown.The integration of renewable energies using the example of photovoltaic systems, more efficient use of thermal energy, scientific literature evaluation, customer satisfaction in the automotive industry and a framework for the analysis of vehicle data serve as application examples for the concrete use of data science. The book offers important information that is just as relevant for practitioners as for students and teachers. Apply data science : introduction, applications and projects [texte imprimé] / Thomas Barton, Editeur scientifique ; Christian Müller (19..-....), Editeur scientifique . - Wiesbaden : Springer Vieweg, 2023 . - 232 p. ; 24 cm. ISBN : 978-3-658-38797-6 Notes bibliogr. Langues : Anglais (eng) Catégories : Livres Tags : Apprentissage automatique  Applications industrielles  Exploration de données  Aspect moral Index. décimale : 006.31 Apprentissage automatique Résumé : This book offers an introduction to the topic of data science based on the visual processing of data. It deals with ethical considerations in the digital transformation and presents a process framework for the evaluation of technologies. It also explains special features and findings on the failure of data science projects and presents recommendation systems in consideration of current developments. Machine learning functionality in business analytics tools is compared and the use of a process model for data science is shown.The integration of renewable energies using the example of photovoltaic systems, more efficient use of thermal energy, scientific literature evaluation, customer satisfaction in the automotive industry and a framework for the analysis of vehicle data serve as application examples for the concrete use of data science. The book offers important information that is just as relevant for practitioners as for students and teachers.

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
C1-018/23	006.31 APP C1	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Exclu du prêt
C2-019/23	006.31 APP C2	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Disponible

Deep Neural Networks and Data for Automated Driving / Tim Fingscheidt  

Public ISBD Titre : Deep Neural Networks and Data for Automated Driving : Robustness, Uncertainty Quantification, and Insights Towards Safety Type de document : document électronique Auteurs : Tim Fingscheidt, Auteur ; Hanno Gottschalk, Auteur ; Sebastian Houben, Auteur Editeur : Berlin [Germany] : Springer Nature Limited Année de publication : 2022 Importance : 427 p. Présentation : ill. ISBN/ISSN/EAN : 978-3-031-01233-4 Langues : Anglais (eng) Catégories : Open Access Publications Tags : Automated Driving  Environment Perception  Deep Learning  Autonomous Vehicles  Uncertainty Quantification (UQ)  Robustness  Machine Learning (ML)  Synthetic Data  Computer Vision Index. décimale : 006.31 Apprentissage automatique Résumé : This open access book brings together the latest developments from industry and research on automated driving and artificial intelligence.Environment perception for highly automated driving heavily employs deep neural networks, facing many challenges. How much data do we need for training and testing? How to use synthetic data to save labeling costs for training? How do we increase robustness and decrease memory usage? For inevitably poor conditions: How do we know that the network is uncertain about its decisions? Can we understand a bit more about what actually happens inside neural networks? This leads to a very practical problem particularly for DNNs employed in automated driving: What are useful validation techniques and how about safety? This book unites the views from both academia and industry, where computer vision and machine learning meet environment perception for highly automated driving. Naturally, aspects of data, robustness, uncertainty quantification, and,last but not least, safety are at the core of it. This book is unique: In its first part, an extended survey of all the relevant aspects is provided. The second part contains the detailed technical elaboration of the various questions mentioned above. En ligne : https://doi.org/10.1007/978-3-031-01233-4 Deep Neural Networks and Data for Automated Driving : Robustness, Uncertainty Quantification, and Insights Towards Safety [document électronique] / Tim Fingscheidt, Auteur ; Hanno Gottschalk, Auteur ; Sebastian Houben, Auteur . - Berlin (Germany) : Springer Nature Limited, 2022 . - 427 p. : ill. ISBN : 978-3-031-01233-4 Langues : Anglais (eng) Catégories : Open Access Publications Tags : Automated Driving  Environment Perception  Deep Learning  Autonomous Vehicles  Uncertainty Quantification (UQ)  Robustness  Machine Learning (ML)  Synthetic Data  Computer Vision Index. décimale : 006.31 Apprentissage automatique Résumé : This open access book brings together the latest developments from industry and research on automated driving and artificial intelligence.Environment perception for highly automated driving heavily employs deep neural networks, facing many challenges. How much data do we need for training and testing? How to use synthetic data to save labeling costs for training? How do we increase robustness and decrease memory usage? For inevitably poor conditions: How do we know that the network is uncertain about its decisions? Can we understand a bit more about what actually happens inside neural networks? This leads to a very practical problem particularly for DNNs employed in automated driving: What are useful validation techniques and how about safety? This book unites the views from both academia and industry, where computer vision and machine learning meet environment perception for highly automated driving. Naturally, aspects of data, robustness, uncertainty quantification, and,last but not least, safety are at the core of it. This book is unique: In its first part, an extended survey of all the relevant aspects is provided. The second part contains the detailed technical elaboration of the various questions mentioned above. En ligne : https://doi.org/10.1007/978-3-031-01233-4

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
9783031012334	006.31 FIN	E-Book	En Ligne	Informatique, Savoir & systèmes	Disponible

Hyperparameter Tuning for Machine and Deep Learning with R  

Public ISBD Titre : Hyperparameter Tuning for Machine and Deep Learning with R : A Practical Guide Type de document : document électronique Auteurs : Eva Bartz, Editeur scientifique ; Thomas Bartz-Beielstein, Editeur scientifique ; Martin Zaefferer, Editeur scientifique Editeur : Singapour : Springer Année de publication : 2023 Importance : 323 p. Présentation : ill. ISBN/ISSN/EAN : 978-981-19517-0-1 Langues : Anglais (eng) Catégories : Open Access Publications Tags : Hyperparameter optimization  Machine learning  Deep learning  R programming  Automated machine learning (AutoML)  Grid search  Bayesian optimization  Model selection  Cross-validation  Algorithms Index. décimale : 006.31 Apprentissage automatique Résumé : This open access book provides a wealth of hands-on examples that illustrate how hyperparameter tuning can be applied in practice and gives deep insights into the working mechanisms of machine learning (ML) and deep learning (DL) methods. The aim of the book is to equip readers with the ability to achieve better results with significantly less time, costs, effort and resources using the methods described here. The case studies presented in this book can be run on a regular desktop or notebook computer. No high-performance computing facilities are required.The idea for the book originated in a study conducted by Bartz & Bartz GmbH for the Federal Statistical Office of Germany (Destatis). Building on that study, the book is addressed to practitioners in industry as well as researchers, teachers and students in academia. The content focuses on the hyperparameter tuning of ML and DL algorithms, and is divided into two main parts: theory (Part I) and application (Part II).Essential topics covered include: a survey of important model parameters; four parameter tuning studies and one extensive global parameter tuning study; statistical analysis of the performance of ML and DL methods based on severity; and a new, consensus-ranking-based way to aggregate and analyze results from multiple algorithms. The book presents analyses of more than 30 hyperparameters from six relevant ML and DL methods, and provides source code so that users can reproduce the results. Accordingly, it serves as a handbook and textbook alike. En ligne : https://doi.org/10.1007/978-981-19-5170-1 Hyperparameter Tuning for Machine and Deep Learning with R : A Practical Guide [document électronique] / Eva Bartz, Editeur scientifique ; Thomas Bartz-Beielstein, Editeur scientifique ; Martin Zaefferer, Editeur scientifique . - Singapour : Springer, 2023 . - 323 p. : ill. ISBN : 978-981-19517-0-1 Langues : Anglais (eng) Catégories : Open Access Publications Tags : Hyperparameter optimization  Machine learning  Deep learning  R programming  Automated machine learning (AutoML)  Grid search  Bayesian optimization  Model selection  Cross-validation  Algorithms Index. décimale : 006.31 Apprentissage automatique Résumé : This open access book provides a wealth of hands-on examples that illustrate how hyperparameter tuning can be applied in practice and gives deep insights into the working mechanisms of machine learning (ML) and deep learning (DL) methods. The aim of the book is to equip readers with the ability to achieve better results with significantly less time, costs, effort and resources using the methods described here. The case studies presented in this book can be run on a regular desktop or notebook computer. No high-performance computing facilities are required.The idea for the book originated in a study conducted by Bartz & Bartz GmbH for the Federal Statistical Office of Germany (Destatis). Building on that study, the book is addressed to practitioners in industry as well as researchers, teachers and students in academia. The content focuses on the hyperparameter tuning of ML and DL algorithms, and is divided into two main parts: theory (Part I) and application (Part II).Essential topics covered include: a survey of important model parameters; four parameter tuning studies and one extensive global parameter tuning study; statistical analysis of the performance of ML and DL methods based on severity; and a new, consensus-ranking-based way to aggregate and analyze results from multiple algorithms. The book presents analyses of more than 30 hyperparameters from six relevant ML and DL methods, and provides source code so that users can reproduce the results. Accordingly, it serves as a handbook and textbook alike. En ligne : https://doi.org/10.1007/978-981-19-5170-1

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
9789811951701	006.31 BAR	E-Book	En Ligne	Informatique, Savoir & systèmes	Disponible

Initiation à l'apprentissage automatique / Mokhtar Taffar

Public ISBD Titre : Initiation à l'apprentissage automatique Type de document : texte imprimé Auteurs : Mokhtar Taffar, Auteur Editeur : Alger : Office des Publications Universitaires Année de publication : 2018 Importance : 149 p. ISBN/ISSN/EAN : 978-9961-0-2132-3 Langues : Français (fre) Catégories : Livres Tags : Apprentissage automatique  Intelligence artificielle  Systèmes adaptatifs  Machine learning Index. décimale : 006.31 Apprentissage automatique Résumé : De nos jours, avec le développement fulgurant des nouvelles technologies de l'information et du traitement de grandes masses de données multimédia (images, vidéos, textes sur réseaux sociaux, fichiers BD hétérogènes, etc.), l'intelligence artificielle a pris un tournant majeur conduisant au développement de systèmes intelligents autonomes. L'apprentissage automatique ou artificiel est l'une des plus importantes disciplines que l'intelligence artificielle regroupe et est la première étape dans le processus de construction de modèles intelligents. Cet apprentissage consiste en l'écriture d'algorithmes permettant de doter la machine d'une connaissance préalable sur un sujet particulier avant de lui donner une autonomie à agir seule face à des cas jamais vue auparavant. Ce livre traite la manière de concevoir un modèle qui apprend et de comprendre comment le programmeur afin de lui inculquer une connaissance puis une intelligence lui agréant des actes face à de nouveaux échantillons de son environnement réel. Plusieurs types d'apprentissages sont discutés et plusieurs algorithmes détaillés sont présentés assurant au lecteur une initiation au domaine de l'apprentissage des systèmes prévus, par exemple, à la détection ou à la reconnaissance des objets (voitures, personnes, ...), au suivi d'objets dans des vidéo, et tant d'autres applications de l'intelligence artificielle. Initiation à l'apprentissage automatique [texte imprimé] / Mokhtar Taffar, Auteur . - Alger : Office des Publications Universitaires, 2018 . - 149 p. ISBN : 978-9961-0-2132-3 Langues : Français (fre) Catégories : Livres Tags : Apprentissage automatique  Intelligence artificielle  Systèmes adaptatifs  Machine learning Index. décimale : 006.31 Apprentissage automatique Résumé : De nos jours, avec le développement fulgurant des nouvelles technologies de l'information et du traitement de grandes masses de données multimédia (images, vidéos, textes sur réseaux sociaux, fichiers BD hétérogènes, etc.), l'intelligence artificielle a pris un tournant majeur conduisant au développement de systèmes intelligents autonomes. L'apprentissage automatique ou artificiel est l'une des plus importantes disciplines que l'intelligence artificielle regroupe et est la première étape dans le processus de construction de modèles intelligents. Cet apprentissage consiste en l'écriture d'algorithmes permettant de doter la machine d'une connaissance préalable sur un sujet particulier avant de lui donner une autonomie à agir seule face à des cas jamais vue auparavant. Ce livre traite la manière de concevoir un modèle qui apprend et de comprendre comment le programmeur afin de lui inculquer une connaissance puis une intelligence lui agréant des actes face à de nouveaux échantillons de son environnement réel. Plusieurs types d'apprentissages sont discutés et plusieurs algorithmes détaillés sont présentés assurant au lecteur une initiation au domaine de l'apprentissage des systèmes prévus, par exemple, à la détection ou à la reconnaissance des objets (voitures, personnes, ...), au suivi d'objets dans des vidéo, et tant d'autres applications de l'intelligence artificielle.

Réservation

Réserver ce document

Exemplaires (5)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
C1-405/26	006.31 TAF C1	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Exclu du prêt
C2-406/26	006.31 TAF C2	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Disponible
C3-407/26	006.31 TAF C3	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Disponible
C4-408/26	006.31 TAF C4	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Disponible
C5-409/26	006.31 TAF C5	Livre	1er Cycle.(Salle 2ème Étage)	Informatique, Savoir & systèmes	Disponible

Practical Machine Learning  

Public ISBD Titre : Practical Machine Learning : A Beginner's Guide with Ethical Insights Type de document : document électronique Auteurs : Ally S. Nyamawe, Auteur ; Noe E. Nnko, Auteur ; Godbless G. Minja, Auteur Editeur : London : Taylor & Francis Année de publication : 2025 Importance : 226 P. Accompagnement : ill ISBN/ISSN/EAN : 978-1-00-348681-7 Langues : Anglais (eng) Catégories : Open Access Publications Index. décimale : 006.31 Apprentissage automatique Résumé : The book provides an accessible, comprehensive introduction for beginners to machine learning, equipping them with the fundamental skills and techniques essential for this field. It enables beginners to construct practical, real-world solutions powered by machine learning across diverse application domains. It demonstrates the fundamental techniques involved in data collection, integration, cleansing, transformation, development, and deployment of machine learning models. This book emphasizes the importance of integrating responsible and explainable AI into machine learning models, ensuring these principles are prioritized rather than treated as an afterthought. To support learning, this book also offers information on accessing additional machine learning resources such as datasets, libraries, pre-trained models, and tools for tracking machine learning models. This is a core resource for students and instructors of machine learning and data science looking for a beginner-friendly material which offers real-world applications and takes ethical discussions into account. En ligne : https://doi.org/10.1201/9781003486817 Practical Machine Learning : A Beginner's Guide with Ethical Insights [document électronique] / Ally S. Nyamawe, Auteur ; Noe E. Nnko, Auteur ; Godbless G. Minja, Auteur . - London : Taylor & Francis, 2025 . - 226 P. + ill. ISBN : 978-1-00-348681-7 Langues : Anglais (eng) Catégories : Open Access Publications Index. décimale : 006.31 Apprentissage automatique Résumé : The book provides an accessible, comprehensive introduction for beginners to machine learning, equipping them with the fundamental skills and techniques essential for this field. It enables beginners to construct practical, real-world solutions powered by machine learning across diverse application domains. It demonstrates the fundamental techniques involved in data collection, integration, cleansing, transformation, development, and deployment of machine learning models. This book emphasizes the importance of integrating responsible and explainable AI into machine learning models, ensuring these principles are prioritized rather than treated as an afterthought. To support learning, this book also offers information on accessing additional machine learning resources such as datasets, libraries, pre-trained models, and tools for tracking machine learning models. This is a core resource for students and instructors of machine learning and data science looking for a beginner-friendly material which offers real-world applications and takes ethical discussions into account. En ligne : https://doi.org/10.1201/9781003486817

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
9781003486817	006.31 NYA	E-Book	En Ligne	Informatique, Savoir & systèmes	Disponible

---

1 (1 - 5 / 5)