Transparents
- Classification (intro + AdaBoost)
- Machines à vecteurs de support
Livres, articles, références
- Mes notes de
cours à l'Université de Montréal. Surtout les slides et
les lectures.
- Un autre cours
par Yoshua Bengio.
- Duda, Hart, Stork, Pattern Classification,
Wiley-Interscience, 2001.
Couvre la plupart des sujets mais pas trés profondément.
- Christopher Bishop, Pattern recognition and Machine Learning,
Springer, 2006.
Bonne introduction, couvre la plupart des sujets, surtout les réseaux de
neurones.
- Cristianini, Shawe-Taylor, An Introduction To Support Vector
Machines,
Cambridge University Press, 2000.
Couverture simple du sujet.
- Hastie, Tibshirani, Friedman, The Elements of Statistical Learning,
Springer-Verlag, 2001.
Focalise plutôt sur la régression.
- Schölkopf, Smola, Learning with Kernels,
MIT Press, 2002.
La bible des méthodes de noyaux.
- Breiman, Friedman, Olshen, Stone, Classification and Regression
Trees,
CRC Press, 1993.
- Devroye, Györfi, Lugosi, A Probabilistic Theory of Pattern
Recognition,
Springer-Verlag, 1997.
La bible de la théorie d'apprentissage.
- Vapnik, Statistical Learning Theory,
Wiley & Sons, 1998.
La théorie d'apprentissage.
- Vapnik, The Nature of Statistical Learning Theory,
Springer-Verlag, 1999.
Version plus digeste de Statistical Learning Theory. Focalise sur les
principes plutôt que sur les détails mathmatiques. Relativement facile à
lire.
Software