RESEAUX DE NEURONES: METHODOLOGIE ET APPLICATIONS

DREYFUS

Les réseaux de neurones constituent une technique de traitement de
données bien comprise et maîtrisée, désormais indispensable dans la
boîte à outils de tout ingénieur soucieux d'extraire le maximum
d'informations pertinentes des données dont il dispose : effectuer des
prévisions, de la fouille de données, élaborer des modèles, reconnaître
des formes ou des signaux, etc.

Joignant fondements théoriques et applications pratiques dans un langage
accessible, cet ouvrage a pour but de permettre aux décideurs, aux
ingénieurs et aux chercheurs de bénéficier de méthodologies claires pour
mettre en ouvre avec profit les réseaux de neurones dans des
applications industrielles, financières ou bancaires, dont de nombreux
exemples sont présentés.

Le lecteur désireux d'acquérir des bases solides trouvera, pour chaque
chapitre, des compléments théoriques qui lui permettront d'approfondir
les concepts, et des compléments algorithmiques destinés à en faciliter
l'implantation informatique.
· qui s'adresse ce livre ?
- Aux ingénieurs, informaticiens, industriels et décideurs ayant à
résoudre des problèmes de modélisation, de reconnaissance, de prévision,
de commande, etc.
- Aux étudiants et élèves-ingénieurs des disciplines scientifiques et
économiques.
- Aux enseignants de ces disciplines à la recherche d'un ouvrage complet
et d'études de cas sur les réseaux de neurones.

Table des matières

Avant-propos

1. Les réseaux de neurones : pourquoi et pour quoi faire ?
- Les réseaux de neurones : définitions et propriétés
- Quand et comment mettre en oeuvre des réseaux de neurones à
apprentissage supervisé ?
- Réseaux de neurones à apprentissage supervisé et discrimination
(classification)
- Quelques exemples d'applications des réseaux de neurones à divers
domaines des sciences de l'ingénieur
- Conclusion
- Compléments théoriques et algorithmiques
- Bibliographie

2. Modélisation à l'aide de réseaux de neurones : principes et
méthodologie de conception de modèles
- Qu'est-ce qu'un modèle ?
- Notions élémentaires de statistiques
- Modélisation statique " boîte noire " : généralités
- Sélection des entrées d'un modèle statique boîte noire
- Estimation des paramètres (apprentissage) d'un modèle statique
- Sélection de modèle
- Modélisation dynamique " boîte noire "
- Modélisation dynamique " boîte grise "
- Conclusion : quels outils ?
- Compléments théoriques et algorithmiques
- Bibliographie

3. Compléments de méthodologie pour la modélisation : réduction de
dimension et ré-échantillonnage
- Pré-traitements
- Réduction du nombre de composantes
- Analyse en composantes principales
- Analyse en composantes curvilignes
- Le bootstrap et les réseaux de neurones
- Bibliographie

4. Identification " neuronale " de systèmes dynamiques commandés et
réseaux bouclés (récurrents)
- Formalisation et exemples de systèmes dynamiques commandés à temps
discret
- Identification de systèmes dynamiques commandés par régression
- Identification adaptative (en ligne) et méthode de l'erreur de
prédiction récursive
- Filtrage par innovation dans un modèle d'état
- Réseaux neuronaux récurrents ou bouclés
- Apprentissage des réseaux de neurones récurrents ou bouclés
- Compléments algorithmiques et théoriques
- Bibliographie

5. Apprentissage d'une commande en boucle fermée
- Généralités sur la commande en boucle fermée des systèmes non
linéaires
- Synthèse d'une commande " neuronale " par inversion du modèle du
processus
- Programmation dynamique et commande optimale
- Apprentissage par renforcement et programmation neuro-dynamique
- Bibliographie

6. La discrimination
- Apprentissage de la discrimination
- Séparation linéaire : le perceptron
- Au-delà de la séparation linéaire
- Problèmes à plusieurs classes
- Questions théoriques
- Compléments théoriques
- Bibliographie

7. Cartes auto-organisatrices et classification automatique
- Notations et définitions
- Méthode des k-moyennes
- Carte topologique auto-organisatrice
- Classification et carte topologique
- Applications
- Bibliographie

8. Réseaux de neurones sans apprentissage pour l'optimisation
- Modélisation d'un problème d'optimisation
- Complexité d'un problème d'optimisation
- Approches classiques des problèmes combinatoires
- Introduction aux métaheuristiques
- Les techniques dérivées de la physique statistique
- Les approches neuronales
- La recherche tabou
- Les algorithmes génétiques
- Vers des approches hybrides
- Conclusion
- Bibliographie

Bibliographie commentée
Index

eyrolles - page 1
eyrolles - page 2
eyrolles - page 3
eyrolles - page 4
eyrolles - page 5
eyrolles - page 6
Librairie spécialisée en ouvrages scientifiques et techniques