Livres en anglais
33 livres et 33 critiques, dernière mise à jour le 17 janvier 2023 , note moyenne : 4.5
- The Principles of Deep Learning Theory - An Effective Theory Approach to Understanding Neural Networks
- Robust and Adaptive Optimization
- Algorithms - Design Techniques and Analysis
- Classical And Modern Optimization
- Graph and Networks
- The Moment-SOS Hierarchy - Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear PDEs
- Basic concepts in algorithms
- Rigid Body Kinematics
- Introduction to the Finite Element Method and Implementation with MATLAB®
- Network Traffic Engineering - Stochastic Models and Applications
- Dynamics of Multibody Systems
- Introduction to Optimization and Hadamard Semidifferential Calculus
- Practical Optimization
- Algorithms Illuminated: Algorithms for NP-Hard Problems
- Crowds in Equations - An Introduction to the Microscopic Modeling of Crowds
- Database Internals - A Deep Dive into How Distributed Data Systems Work
- Network Flow Algorithms
- Kernelization - Theory of Parameterized Preprocessing
- Algorithms Illuminated: Greedy Algorithms and Dynamic Programming
- Algorithms Illuminated: Graph Algorithms and Data Structures
- Algorithms Illuminated: The Basics
- Natural Language Processing with PyTorch - Build Intelligent Language Applications Using Deep Learning
- Hands-On Unsupervised Learning Using Python - How to Build Applied Machine Learning Solutions from Unlabeled Data
- Data Visualization - Charts, Maps, and Interactive Graphics
- Elements of Causal Inference - Foundations and Learning Algorithms
- Machine Learning for Data Streams - With Practical Examples in MOA
- Ant Colony Optimization
- A Field Guide to Genetic Programming
- Essentials of Metaheuristics
- Evolved to Win
- Natural Language Processing with Python
- Introduction to Evolutionary Computing
- Purely Functional Data Structures
Détails du livre
Sommaire
Critiques (1)
0 commentaire
The Principles of Deep Learning Theory
An Effective Theory Approach to Understanding Neural Networks
de Daniel A. Roberts, Sho Yaida
Public visé :
Intermédiaire
Résumé de l'éditeur
This textbook establishes a theoretical framework for understanding deep learning models of practical relevance. With an approach that borrows from theoretical physics, Roberts and Yaida provide clear and pedagogical explanations of how realistic deep neural networks actually work. To make results from the theoretical forefront accessible, the authors eschew the subject's traditional emphasis on intimidating formality without sacrificing accuracy. Straightforward and approachable, this volume balances detailed first-principle derivations of novel results with insight and intuition for theorists and practitioners alike. This self-contained textbook is ideal for students and researchers interested in artificial intelligence with minimal prerequisites of linear algebra, calculus, and informal probability theory, and it can easily fill a semester-long course on deep learning theory. For the first time, the exciting practical advances in modern artificial intelligence capabilities can be matched with a set of effective principles, providing a timeless blueprint for theoretical research in deep learning.
Édition : Cambridge - 472 pages, 1re édition, 26 mai 2022
ISBN10 : 1316519333 - ISBN13 : 9781316519332
Initialization
Pretraining
Neural Networks
Effective Theory of Deep Linear Networks at Initialization
RG Flow of Preactivations
Effective Theory of Preactivations at Initialization
Bayesian Learning
Gradient-Based Learning
RG Flow of the Neural Tangent Kernel
Effective Theory of the NTK at Initialization
Kernel Learning
Representation Learning
The End of Training
Epilogue: Model Complexity from the Macroscopic Perspective
Information in Deep Learning
Residual Learning
Pretraining
Neural Networks
Effective Theory of Deep Linear Networks at Initialization
RG Flow of Preactivations
Effective Theory of Preactivations at Initialization
Bayesian Learning
Gradient-Based Learning
RG Flow of the Neural Tangent Kernel
Effective Theory of the NTK at Initialization
Kernel Learning
Representation Learning
The End of Training
Epilogue: Model Complexity from the Macroscopic Perspective
Information in Deep Learning
Residual Learning
Les réseaux neuronaux sont, actuellement, bien plus utilisés que compris, la théorie classique de l'apprentissage ayant souvent du mal à expliquer leur efficacité. Cet ouvrage vient expliquer le fonctionnement de ces réseaux en utilisant des techniques éprouvées en physique statistique et thermodynamique, c'est-à-dire en étudiant d'abord le comportement d'une couche de neurones, pour généraliser au réseau complet. Ce faisant, les auteurs n'oublient pas que les réseaux neuronaux sont d'abord un outil pratique, ils n'étudient pas de cas ésotérique, ils cherchent à se rapprocher de la pratique.
Ce tutoriel sur des résultats de recherche très récents se veut très pédagogue et progressif, tout en partant de relativement peu de connaissances en mathématiques : intégrales et dérivées, presque exclusivement ; les autres éléments requis sont expliqués dans le premier chapitre (surtout les intégrales gaussiennes). Les auteurs partent de zéro pour dériver toute la théorie, en n'omettant aucun détail, en se basant sur l'hypothèse que les éléments extérieurs au réseau neuronal (les données ou les poids avant entraînement) suivent des distributions presque gaussiennes. Ils présentent des cas particuliers de leurs résultats avant de les généraliser : un chapitre ne traite que des réseaux linéaires profonds, afin de mettre en place les mécanismes de dérivation et le vocabulaire qui seront utilisés par la suite, par exemple. Ces résultats simples ne sont utilisés que comme marchepied vers des résultats applicables en pratique. Ainsi, ils expliquent théoriquement d'où viennent les problèmes d'explosion et d'évanescence des gradients, les raisons pour lesquelles des réseaux profonds ne surapprennent pas forcément ou encore pourquoi ReLU fonctionne souvent mieux que la tangente hyperbolique.
Commenter
Signaler un problème
The Principles of Deep Learning Theory
An Effective Theory Approach to Understanding Neural Networks
An Effective Theory Approach to Understanding Neural Networks
This textbook establishes a theoretical framework for understanding deep learning models of practical relevance. With an approach that borrows from theoretical physics, Roberts and Yaida provide clear and pedagogical explanations of how realistic deep neural networks actually work. To make results from the theoretical forefront accessible, the authors eschew the subject's traditional emphasis on intimidating formality without sacrificing accuracy. Straightforward and approachable, this volume balances detailed first-principle derivations of novel results with insight and intuition for theorists and practitioners alike. This self-contained textbook is ideal for students and researchers interested in artificial intelligence with minimal prerequisites of linear algebra, calculus, and informal probability theory, and it can easily fill a semester-long course on deep learning theory. For the first time, the exciting practical advances in modern artificial intelligence capabilities can be matched with a set of effective principles, providing a timeless blueprint for theoretical research in deep learning.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Robust and Adaptive Optimization
de Dimitris Bertsimas and Dick den Hertog
Public visé :
Intermédiaire
Résumé de l'éditeur
The purpose of this book is to provide a unified, insightful, and original treatment of robust and adaptive optimization.
Part I describes linear RO and the underlying uncertainty sets.
Part II treats modeling, exact and approximate algorithms for ARO.
Part III introduces nonlinear RO for concave uncertainty.
Part IV outlines nonlinear RO for convex uncertainty.
Part V discusses the theory of distributionally RO and ARO.
Part VI contains a variety of RO and ARO applications including queueing theory, auction design, option pricing and energy unit commitment.
There are some distinguishing characteristics in our selection of the particular structure of the book we would like to comment on:
Our unifying treatment of RO and ARO. We present RO and ARO for LO in Parts I and II, and we return to RO for nonlinear optimization in Parts III and IV, as opposed to presenting RO first and then ARO. The reason is that ARO offers new and very effective ways to solve RO problems, a fact not fully recognized earlier.
Our treatment of nonlinear RO in Parts III and IV using concave and convex uncertainty respectively, as opposed to treating robust conic optimization.
Our extensive treatment of a variety of applications of RO and ARO in several fields in Part VI is guided by the quote of George Dantzig at the beginning of the preface.
Part I describes linear RO and the underlying uncertainty sets.
Part II treats modeling, exact and approximate algorithms for ARO.
Part III introduces nonlinear RO for concave uncertainty.
Part IV outlines nonlinear RO for convex uncertainty.
Part V discusses the theory of distributionally RO and ARO.
Part VI contains a variety of RO and ARO applications including queueing theory, auction design, option pricing and energy unit commitment.
There are some distinguishing characteristics in our selection of the particular structure of the book we would like to comment on:
Our unifying treatment of RO and ARO. We present RO and ARO for LO in Parts I and II, and we return to RO for nonlinear optimization in Parts III and IV, as opposed to presenting RO first and then ARO. The reason is that ARO offers new and very effective ways to solve RO problems, a fact not fully recognized earlier.
Our treatment of nonlinear RO in Parts III and IV using concave and convex uncertainty respectively, as opposed to treating robust conic optimization.
Our extensive treatment of a variety of applications of RO and ARO in several fields in Part VI is guided by the quote of George Dantzig at the beginning of the preface.
Édition : Dynamic Ideas - 600 pages, 1re édition, 2 janvier 2022
ISBN10 : 1733788522 - ISBN13 : 9781733788526
Robust Linear Optimization
Uncertainty and Robustness
RO Under Linear Uncertainty
Choosing Uncertainty Sets and Their Parameters
RO Under Nonlinear Uncertainty
Robust Discrete Optimization
Adaptive Linear Optimization
Introduction to Adaptive Robust Optimization
Approximating ARO Solutions by Decision Rules
Pareto Robustly Optimal Solutions
Adaptive Mixed Integer Optimization
RO as an Approximation to Two-Stage ARO
The Cutting Plane Method
The Art of Robust and Adaptive Modeling
Robust Nonlinear Optimization with Concave Uncertainty
RCQO with Concave Uncertainty
Robust NLO with Concave Uncertainty
Guarantees for Concave Uncertainty
Robust Nonlinear Optimization with Convex Uncertainty
RCQO with Convex Uncertainty
An ARO Approach to Robust NLO
A Unified Framework for Convex Uncertainty
Distributionally Robust Optimization
Distributionally Robust Optimization
Adaptive DRO
The Impact of Robust Optimization
Robust Queueing Theory
Robust Auction Theory
ARO for the Unit Commitment Problem
Robust Multi-Period Portfolio Optimization
Robust Option Pricing
Robust Linear Regression
Robust Linear Quadratic Control
Uncertainty and Robustness
RO Under Linear Uncertainty
Choosing Uncertainty Sets and Their Parameters
RO Under Nonlinear Uncertainty
Robust Discrete Optimization
Adaptive Linear Optimization
Introduction to Adaptive Robust Optimization
Approximating ARO Solutions by Decision Rules
Pareto Robustly Optimal Solutions
Adaptive Mixed Integer Optimization
RO as an Approximation to Two-Stage ARO
The Cutting Plane Method
The Art of Robust and Adaptive Modeling
Robust Nonlinear Optimization with Concave Uncertainty
RCQO with Concave Uncertainty
Robust NLO with Concave Uncertainty
Guarantees for Concave Uncertainty
Robust Nonlinear Optimization with Convex Uncertainty
RCQO with Convex Uncertainty
An ARO Approach to Robust NLO
A Unified Framework for Convex Uncertainty
Distributionally Robust Optimization
Distributionally Robust Optimization
Adaptive DRO
The Impact of Robust Optimization
Robust Queueing Theory
Robust Auction Theory
ARO for the Unit Commitment Problem
Robust Multi-Period Portfolio Optimization
Robust Option Pricing
Robust Linear Regression
Robust Linear Quadratic Control
Une fois une solution optimale trouvée pour un problème de recherche opérationnelle, on se demande parfois à quel point elle peut être robuste si tous les paramètres ne se réalisent pas comme prévu (comme un trajet un peu plus long ou une électricité un peu plus chère). L'optimisation robuste est un outil pour déterminer des solutions qui fonctionnent bien pour toute une série de valeurs de ces paramètres (plutôt qu'une seule valeur, choix plus classique), elle est l'objet unique de cet ouvrage. L'auteur y poursuit une approche très pragmatique, où les temps de calcul en pratique sont plus importants qu'une classe de complexité abstraite.
La théorie de l'optimisation robuste, qu'elle soit adaptative ou distributionnelle, est bien couverte dans cet ouvrage, à partir des fondements en dualité jusqu'à des équivalences entre optimisation robuste et adaptative, avec une justification des problèmes pratique qu'elle permet de résoudre (surtout les parties les plus avancées de la théorie). Néanmoins, l'auteur met l'accent sur les questions de modélisation (toute une partie se focalise sur ces applications) et sur les algorithmes de résolution, qu'ils soient classiques ou moins.
Outre la modélisation et les algorithmes, ce qui différencie cet ouvrage d'autres traitements de l'optimisation robuste est sa prise en compte de la pensée stochastique, très répandue. Souvent, le lien entre les deux se limite à la justification des ensembles d'incertitude ellipsoïdaux, mais l'auteur présente des résultats théoriques bien plus précis et utiles, comme des caractérisations de probabilité de violation de contrainte ou l'approximation de quantités stochastiques par des techniques d'optimisation robuste. Le lien avec les probabilités est rarement aussi explicite et détaillé.
Le niveau attendu du lecteur est celui d'un praticien en recherche opérationnelle, avec de bonnes connaissances pour les techniques d'optimisation sans incertitude (problèmes linéaires, convexes et en nombres entiers), mais sans forcément d'exposition à l'incertitude. Chaque chapitre a une bibliographie imposante et variée.
Commenter
Signaler un problème
Robust and Adaptive Optimization
The purpose of this book is to provide a unified, insightful, and original treatment of robust and adaptive optimization.
Part I describes linear RO and the underlying uncertainty sets.
Part II treats modeling, exact and approximate algorithms for ARO.
Part III introduces nonlinear RO for concave uncertainty.
Part IV outlines nonlinear RO for convex uncertainty.
Part V discusses the theory of distributionally RO and ARO.
Part VI contains a variety of RO and ARO applications including queueing theory, auction design, option pricing and energy unit commitment.
There are some distinguishing characteristics in our selection of the particular structure of the book we would like to comment on:
Our unifying treatment of RO and ARO. We present RO and ARO for LO in Parts I and II, and we return to RO for nonlinear optimization in Parts III and IV, as opposed to presenting RO first and then ARO. The reason is that ARO offers new and very effective ways to solve RO problems, a fact not fully recognized earlier.
Our treatment of nonlinear RO in Parts III and IV using concave and convex uncertainty respectively, as opposed to treating robust conic optimization.
Our extensive treatment of a variety of applications of RO and ARO in several fields in Part VI is guided by the quote of George Dantzig at the beginning of the preface.
[Lire la suite]
Part I describes linear RO and the underlying uncertainty sets.
Part II treats modeling, exact and approximate algorithms for ARO.
Part III introduces nonlinear RO for concave uncertainty.
Part IV outlines nonlinear RO for convex uncertainty.
Part V discusses the theory of distributionally RO and ARO.
Part VI contains a variety of RO and ARO applications including queueing theory, auction design, option pricing and energy unit commitment.
There are some distinguishing characteristics in our selection of the particular structure of the book we would like to comment on:
Our unifying treatment of RO and ARO. We present RO and ARO for LO in Parts I and II, and we return to RO for nonlinear optimization in Parts III and IV, as opposed to presenting RO first and then ARO. The reason is that ARO offers new and very effective ways to solve RO problems, a fact not fully recognized earlier.
Our treatment of nonlinear RO in Parts III and IV using concave and convex uncertainty respectively, as opposed to treating robust conic optimization.
Our extensive treatment of a variety of applications of RO and ARO in several fields in Part VI is guided by the quote of George Dantzig at the beginning of the preface.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Algorithms
Design Techniques and Analysis
de M H Alsuwaiyel
Public visé :
Débutant
Résumé de l'éditeur
Problem solving is an essential part of every scientific discipline. It has two components: (1) problem identification and formulation, and (2) the solution to the formulated problem. One can solve a problem on its own using ad hoc techniques or by following techniques that have produced efficient solutions to similar problems. This requires the understanding of various algorithm design techniques, how and when to use them to formulate solutions, and the context appropriate for each of them.
Algorithms: Design Techniques and Analysis advocates the study of algorithm design by presenting the most useful techniques and illustrating them with numerous examples — emphasizing on design techniques in problem solving rather than algorithms topics like searching and sorting. Algorithmic analysis in connection with example algorithms are explored in detail. Each technique or strategy is covered in its own chapter through numerous examples of problems and their algorithms.
Readers will be equipped with problem solving tools needed in advanced courses or research in science and engineering.
Édition : World Scientific - 756 pages, 2e édition, 2 décembre 2021
ISBN10 : 9811238642 - ISBN13 : 9789811238642
Basic Concepts and Introduction to Algorithms
Techniques Based on Recursion
First-Cut Techniques
Complexity of Problems
Coping with Hardness
Iterative Improvement for Domain-Specific Problems
Techniques in Computational Geometry
Appendices
Techniques Based on Recursion
First-Cut Techniques
Complexity of Problems
Coping with Hardness
Iterative Improvement for Domain-Specific Problems
Techniques in Computational Geometry
Appendices
On compte bon nombre de livres sur les algorithmes, peu sortent du lot. Toutefois, ce livre en fait partie, avec notamment un choix éclectique de sujets (comme la géométrie algorithmique ou les algorithmes parallèles), une notation précise de la complexité (et un intérêt particulier pour les bornes inférieures de complexité) et une justification des algorithmes par des problèmes réels plutôt qu'abstraits.
L'auteur considère peu de prérequis de la part des lecteurs, si ce n'est une première expérience en programmation et des structures de données basiques (comme le vecteur ou la liste liée, qui sont quand même brièvement expliquées) et un peu de probabilités discrètes. Il termine son ouvrage par des sujets plus complexes, comme la théorie de la complexité (sans machines de Turing), la géométrie algorithmique et les algorithmes parallèles.
Tout au long de l'ouvrage, l'auteur fait appel à l'intuition du lecteur pour éviter de l'assomer de détails mathématiques peu importants pour la compréhension. Les techniques de conception d'algorithmes sont d'abord mises en pratiques avant d'être généralisées et approfondies avec encore plus d'exemples.
Un point surtout remarquable est l'importance que l'auteur met dans la distinction entre grand O, grand Omega et grand Thêta. La plupart des auteurs les passent sous silence ou les mettent sous le tapis, mais cet ouvrage les met en avant pour bien indiquer la complexité d'un algorithme et les possibilités d'amélioration. Bien que le pire cas soit l'outil le plus utilisé, l'auteur présente régulièrement des analyses dans un cas moyen.
Commenter
Signaler un problème
Algorithms
Design Techniques and Analysis
Design Techniques and Analysis
Problem solving is an essential part of every scientific discipline. It has two components: (1) problem identification and formulation, and (2) the solution to the formulated problem. One can solve a problem on its own using ad hoc techniques or by following techniques that have produced efficient solutions to similar problems. This requires the understanding of various algorithm design techniques, how and when to use them to formulate solutions, and the context appropriate for each of them.
Algorithms: Design Techniques and Analysis advocates the study of algorithm design by presenting the most useful techniques and illustrating them with numerous examples — emphasizing on design techniques in problem solving rather than algorithms topics like searching and sorting. Algorithmic analysis in connection with example algorithms are explored in detail. Each technique or strategy is covered in its own chapter through numerous examples of problems and their algorithms.
Readers will be equipped with problem solving tools needed in advanced courses or research in science and engineering.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Classical And Modern Optimization
de Guillaume Carlier
Public visé :
Débutant
Résumé de l'éditeur
The quest for the optimal is ubiquitous in nature and human behavior. The field of mathematical optimization has a long history and remains active today, particularly in the development of machine learning.
Classical and Modern Optimization presents a self-contained overview of classical and modern ideas and methods in approaching optimization problems. The approach is rich and flexible enough to address smooth and non-smooth, convex and non-convex, finite or infinite-dimensional, static or dynamic situations. The first chapters of the book are devoted to the classical toolbox: topology and functional analysis, differential calculus, convex analysis and necessary conditions for differentiable constrained optimization. The remaining chapters are dedicated to more specialized topics and applications.
Valuable to a wide audience, including students in mathematics, engineers, data scientists or economists, Classical and Modern Optimization contains more than 200 exercises to assist with self-study or for anyone teaching a third- or fourth-year optimization class.
Édition : World Scientific - 388 pages, 1re édition, 18 mars 2022
ISBN10 : 1800610866 - ISBN13 : 9781800610866
Topological and Functional Analytic Preliminaries
Differential Calculus
Convexity
Optimality Conditions for Differentiable Optimization
Problems Depending on a Parameter
Convex Duality and Applications
Iterative Methods for Convex Minimization
When Optimization and Data Meet
An Invitation to the Calculus of Variations
Differential Calculus
Convexity
Optimality Conditions for Differentiable Optimization
Problems Depending on a Parameter
Convex Duality and Applications
Iterative Methods for Convex Minimization
When Optimization and Data Meet
An Invitation to the Calculus of Variations
Vaste est le champ de l'optimisation mathématique, tant dans les algorithmes et la théorie qui les supporte que dans les applications. Cet ouvrage traite surtout du premier point de vue, c'est-à-dire proposer des outils au praticien (et une introduction complète au théoricien), sans toutefois oublier les applications pour justifier le besoin d'algorithmes. Le livre présente certains théorèmes très pratiques, mais malheureusement peu connus. La modélisation est toutefois un parent pauvre.
L'ouvrage s'oriente surtout autour d'une typologie que l'auteur a développée tout au long de sa carrière pour caractériser les manières d'aborder un problème de décision séquentielle. Il la prétend exhaustive, dans le sens que toute technique de décision séquentielle doit s'y inscrire. En guise de preuve, il explique comment les approches de quinze domaines différents se situent sur cette carte du domaine, en partant des problématiques relativement simples d'estimation stochastique aux approches les plus avancées.
On pourra regretter le style de rédaction, très sec, avec par exemple peu de contexte autour des définitions et théorèmes. Le chapitre sur la science des données et l'apprentissage couvre essentiellement des exemples classiques et non ceux où la théorie de l'optimisation permet des avancées profondes mais peu connues.
Commenter
Signaler un problème
Classical And Modern Optimization
The quest for the optimal is ubiquitous in nature and human behavior. The field of mathematical optimization has a long history and remains active today, particularly in the development of machine learning.
Classical and Modern Optimization presents a self-contained overview of classical and modern ideas and methods in approaching optimization problems. The approach is rich and flexible enough to address smooth and non-smooth, convex and non-convex, finite or infinite-dimensional, static or dynamic situations. The first chapters of the book are devoted to the classical toolbox: topology and functional analysis, differential calculus, convex analysis and necessary conditions for differentiable constrained optimization. The remaining chapters are dedicated to more specialized topics and applications.
Valuable to a wide audience, including students in mathematics, engineers, data scientists or economists, Classical and Modern Optimization contains more than 200 exercises to assist with self-study or for anyone teaching a third- or fourth-year optimization class.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Graph and Networks
de Sandra R. Kingan
Public visé :
Débutant
Résumé de l'éditeur
A unique blend of graph theory and network science for mathematicians and data science professionals alike.
Featuring topics such as minors, connectomes, trees, distance, spectral graph theory, similarity, centrality, small-world networks, scale-free networks, graph algorithms, Eulerian circuits, Hamiltonian cycles, coloring, higher connectivity, planar graphs, flows, matchings, and coverings, Graphs and Networks contains modern applications for graph theorists and a host of useful theorems for network scientists.
The book begins with applications to biology and the social and political sciences and gradually takes a more theoretical direction toward graph structure theory and combinatorial optimization. A background in linear algebra, probability, and statistics provides the proper frame of reference.
Graphs and Networks also features:
Applications to neuroscience, climate science, and the social and political sciences
A research outlook integrated directly into the narrative with ideas for students interested in pursuing research projects at all levels
A large selection of primary and secondary sources for further reading
Historical notes that hint at the passion and excitement behind the discoveries
Practice problems that reinforce the concepts and encourage further investigation and independent work
Featuring topics such as minors, connectomes, trees, distance, spectral graph theory, similarity, centrality, small-world networks, scale-free networks, graph algorithms, Eulerian circuits, Hamiltonian cycles, coloring, higher connectivity, planar graphs, flows, matchings, and coverings, Graphs and Networks contains modern applications for graph theorists and a host of useful theorems for network scientists.
The book begins with applications to biology and the social and political sciences and gradually takes a more theoretical direction toward graph structure theory and combinatorial optimization. A background in linear algebra, probability, and statistics provides the proper frame of reference.
Graphs and Networks also features:
Applications to neuroscience, climate science, and the social and political sciences
A research outlook integrated directly into the narrative with ideas for students interested in pursuing research projects at all levels
A large selection of primary and secondary sources for further reading
Historical notes that hint at the passion and excitement behind the discoveries
Practice problems that reinforce the concepts and encourage further investigation and independent work
Édition : Wiley - 288 pages, 1re édition, 15 avril 2022
ISBN10 : 111893718X - ISBN13 : 9781118937181
From Königsberg to Connectomes
Fundamental Topics
Similarity and Centrality
Types of Networks
Graph Algorithms
Structure, Coloring, Higher Connectivity
Planar Graphs
Flows and Matchings
Fundamental Topics
Similarity and Centrality
Types of Networks
Graph Algorithms
Structure, Coloring, Higher Connectivity
Planar Graphs
Flows and Matchings
Dans l'analyse de données, les graphes se font une place de plus en plus importante, car ils permettent de modéliser des relations entre entités de manière fine. Encore faut-il disposer d'outils pour les traiter : c'est ce que propose cet ouvrage, avec une introduction partant de presque zéro pour arriver aux sujets les plus classiques, comme les mesures de centralité, la biconnectivité ou les flots. Ces sujets sont abordés surtout depuis le point de vue des applications, que l'auteure estime nécessaire pour justifier l'intérêt des problèmes étudiés. L'intuition est un élément essentiel dans la manière de rédiger, avec la formalisation nécessaire.
Il n'est donc pas besoin d'avoir un gros bagage en mathématique ou en informatique pour profiter du livre. Les annexes fournissent les éléments nécessaires en algèbre linéaire, probabilités ou encore algorithmique. Même si une bonne partie de l'ouvrage est constituée de preuves (que l'auteure considère comme essentielles pour la compréhension en profondeur), il n'est nul besoin d'être expert en logique : on a même droit à une section sur la manière de concevoir ses preuves.
Chaque chapitre se termine par une sélection d'exercices classés en deux catégories, les plus simples et ceux prévus pour approfondir les sujets abordés. La bibliographie est abondante, ce qui se montrera utile pour les chercheurs exploitant la théorie des graphes. De plus, l'aspect historique n'est pas négligé et sert régulièrement de justification pour approcher certains sujets (par exemple, en mentionnant les premières applications).
Régulièrement, l'auteure aborde non seulement des applications en sciences sociales, mais aussi les impacts sociaux lors du déploiement des techniques qu'elle développe (notamment, en faisant le rapprochement entre la recommandation par filtrage collaboratif et les chambres d'écho numériques dans lesquelles certains internautes s'enferment). Elle omet cependant des sujets plus avancés, extrêmement utiles en pratique mais moins liés à des applications, comme la largeur arborescente.
Commenter
Signaler un problème
Graph and Networks
A unique blend of graph theory and network science for mathematicians and data science professionals alike.
Featuring topics such as minors, connectomes, trees, distance, spectral graph theory, similarity, centrality, small-world networks, scale-free networks, graph algorithms, Eulerian circuits, Hamiltonian cycles, coloring, higher connectivity, planar graphs, flows, matchings, and coverings, Graphs and Networks contains modern applications for graph theorists and a host of useful theorems for network scientists.
The book begins with applications to biology and the social and political sciences and gradually takes a more theoretical direction toward graph structure theory and combinatorial optimization. A background in linear algebra, probability, and statistics provides the proper frame of reference.
Graphs and Networks also features:
Applications to neuroscience, climate science, and the social and political sciences
A research outlook integrated directly into the narrative with ideas for students interested in pursuing research projects at all levels
A large selection of primary and secondary sources for further reading
Historical notes that hint at the passion and excitement behind the discoveries
Practice problems that reinforce the concepts and encourage further investigation and independent work
[Lire la suite]
Featuring topics such as minors, connectomes, trees, distance, spectral graph theory, similarity, centrality, small-world networks, scale-free networks, graph algorithms, Eulerian circuits, Hamiltonian cycles, coloring, higher connectivity, planar graphs, flows, matchings, and coverings, Graphs and Networks contains modern applications for graph theorists and a host of useful theorems for network scientists.
The book begins with applications to biology and the social and political sciences and gradually takes a more theoretical direction toward graph structure theory and combinatorial optimization. A background in linear algebra, probability, and statistics provides the proper frame of reference.
Graphs and Networks also features:
Applications to neuroscience, climate science, and the social and political sciences
A research outlook integrated directly into the narrative with ideas for students interested in pursuing research projects at all levels
A large selection of primary and secondary sources for further reading
Historical notes that hint at the passion and excitement behind the discoveries
Practice problems that reinforce the concepts and encourage further investigation and independent work
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
The Moment-SOS Hierarchy
Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear PDEs
de Didier Henrion, Milan Korda, Jean-Bernard Lasserre
Public visé :
Expert
Résumé de l'éditeur
The moment-SOS hierarchy is a powerful methodology that is used to solve the Generalized Moment Problem (GMP) where the list of applications in various areas of Science and Engineering is almost endless. Initially designed for solving polynomial optimization problems (the simplest example of the GMP), it applies to solving any instance of the GMP whose description only involves semi-algebraic functions and sets. It consists of solving a sequence (a hierarchy) of convex relaxations of the initial problem, and each convex relaxation is a semidefinite program whose size increases in the hierarchy.
The goal of this book is to describe in a unified and detailed manner how this methodology applies to solving various problems in different areas ranging from Optimization, Probability, Statistics, Signal Processing, Computational Geometry, Control, Optimal Control and Analysis of a certain class of nonlinear PDEs. For each application, this unconventional methodology differs from traditional approaches and provides an unusual viewpoint. Each chapter is devoted to a particular application, where the methodology is thoroughly described and illustrated on some appropriate examples.
The exposition is kept at an appropriate level of detail to aid the different levels of readers not necessarily familiar with these tools, to better know and understand this methodology.
The goal of this book is to describe in a unified and detailed manner how this methodology applies to solving various problems in different areas ranging from Optimization, Probability, Statistics, Signal Processing, Computational Geometry, Control, Optimal Control and Analysis of a certain class of nonlinear PDEs. For each application, this unconventional methodology differs from traditional approaches and provides an unusual viewpoint. Each chapter is devoted to a particular application, where the methodology is thoroughly described and illustrated on some appropriate examples.
The exposition is kept at an appropriate level of detail to aid the different levels of readers not necessarily familiar with these tools, to better know and understand this methodology.
Édition : World Scientific - 248 pages, 1re édition, 17 novembre 2020
ISBN10 : 1786348535 - ISBN13 : 9781786348531
Notation, Definitions and Preliminaries
Principle of the Moment-SOS Hierarchy
The Moment-SOS Hierarchy for Applications in Probability and Statistics
Volume and Gaussian Measure of Semi-Algebraic Sets
Lebesgue Decomposition of a Measure
Super Resolution on Semi-Algebraic Domains
Sparse Polynomial Interpolation
Representation of (Probabilistic) Chance-Constraints
Approximate Optimal Design
The Moment-SOS Hierarchy for Applications in Control, Optimal Control and Non-Linear Partial Differential Equations
Optimal Control
Convex Computation of Region of Attraction and Reachable Set
Non-Linear Partial Differential Equations
Miscellaneous
Principle of the Moment-SOS Hierarchy
The Moment-SOS Hierarchy for Applications in Probability and Statistics
Volume and Gaussian Measure of Semi-Algebraic Sets
Lebesgue Decomposition of a Measure
Super Resolution on Semi-Algebraic Domains
Sparse Polynomial Interpolation
Representation of (Probabilistic) Chance-Constraints
Approximate Optimal Design
The Moment-SOS Hierarchy for Applications in Control, Optimal Control and Non-Linear Partial Differential Equations
Optimal Control
Convex Computation of Region of Attraction and Reachable Set
Non-Linear Partial Differential Equations
Miscellaneous
L'optimisation avec des matrices semi-définies positives (SDP, en anglais) est un domaine de niche, notamment parce que la modélisation de problèmes pour rentrer dans ce cadre est loin d'être aisée, malgré les possibilités offertes. Cet ouvrage part de la notion de polynôme « somme de carrés » et présente la riche théorie qui mène naturellement aux matrices semi-définies positives, puis applique leur combinaison à un bon nombre d'applications, certaines classiques, la majorité plus étonnante.
Les auteurs proposent ainsi une sélection de sujets d'intérêt autour de la notion de polynôme « somme de carrés » (SOS, en anglais), avec un approfondissement de la dualité avec les moments statistiques. Ce diptyque s'applique, de manière plus ou moins intuitive, tant au calcul de probabilités qu'à la résolution de certaines familles d'équations aux dérivées partielles. Les auteurs présentent tous les détails depuis le domaine d'application jusqu'à la formulation sous forme d'une suite de SDP, parfois avec des conseils d'implémentation numérique pour améliorer la convergence de la formulation.
Le niveau mathématique de l'ouvrage est toutefois très élevé, malgré les messages rassurants en quatrième de couverture. Notamment, il faut déjà s'y connaître en matière d'optimisation semi-définie, les rappels proposés étant très succincts. De plus, la théorie des polynômes « sommes de carrés » est présentée dans sa généralité, ce qui nécessite de bonnes connaissances en théorie de la mesure pour bien s'y retrouver.
Les auteurs proposent ainsi une sélection de sujets d'intérêt autour de la notion de polynôme « somme de carrés » (SOS, en anglais), avec un approfondissement de la dualité avec les moments statistiques. Ce diptyque s'applique, de manière plus ou moins intuitive, tant au calcul de probabilités qu'à la résolution de certaines familles d'équations aux dérivées partielles. Les auteurs présentent tous les détails depuis le domaine d'application jusqu'à la formulation sous forme d'une suite de SDP, parfois avec des conseils d'implémentation numérique pour améliorer la convergence de la formulation.
Le niveau mathématique de l'ouvrage est toutefois très élevé, malgré les messages rassurants en quatrième de couverture. Notamment, il faut déjà s'y connaître en matière d'optimisation semi-définie, les rappels proposés étant très succincts. De plus, la théorie des polynômes « sommes de carrés » est présentée dans sa généralité, ce qui nécessite de bonnes connaissances en théorie de la mesure pour bien s'y retrouver.
Commenter
Signaler un problème
The Moment-SOS Hierarchy
Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear PDEs
Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear PDEs
The moment-SOS hierarchy is a powerful methodology that is used to solve the Generalized Moment Problem (GMP) where the list of applications in various areas of Science and Engineering is almost endless. Initially designed for solving polynomial optimization problems (the simplest example of the GMP), it applies to solving any instance of the GMP whose description only involves semi-algebraic functions and sets. It consists of solving a sequence (a hierarchy) of convex relaxations of the initial problem, and each convex relaxation is a semidefinite program whose size increases in the hierarchy.
The goal of this book is to describe in a unified and detailed manner how this methodology applies to solving various problems in different areas ranging from Optimization, Probability, Statistics, Signal Processing, Computational Geometry, Control, Optimal Control and Analysis of a certain class of nonlinear PDEs. For each application, this unconventional methodology differs from traditional approaches and provides an unusual viewpoint. Each chapter is devoted to a particular application, where the methodology is thoroughly described and illustrated on some appropriate examples.
The exposition is kept at an appropriate level of detail to aid the different levels of readers not necessarily familiar with these tools, to better know and understand this methodology.
[Lire la suite]
The goal of this book is to describe in a unified and detailed manner how this methodology applies to solving various problems in different areas ranging from Optimization, Probability, Statistics, Signal Processing, Computational Geometry, Control, Optimal Control and Analysis of a certain class of nonlinear PDEs. For each application, this unconventional methodology differs from traditional approaches and provides an unusual viewpoint. Each chapter is devoted to a particular application, where the methodology is thoroughly described and illustrated on some appropriate examples.
The exposition is kept at an appropriate level of detail to aid the different levels of readers not necessarily familiar with these tools, to better know and understand this methodology.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Basic concepts in algorithms
de Shmuel Tomi Klein
Public visé :
Débutant
Résumé de l'éditeur
This book is the result of several decades of teaching experience in data structures and algorithms. It is self-contained but does assume some prior knowledge of data structures, and a grasp of basic programming and mathematics tools. Basic Concepts in Algorithms focuses on more advanced paradigms and methods combining basic programming constructs as building blocks and their usefulness in the derivation of algorithms. Its coverage includes the algorithms' design process and an analysis of their performance. It is primarily intended as a textbook for the teaching of Algorithms for second year undergraduate students in study fields related to computers and programming.
Klein reproduces his oral teaching style in writing, with one topic leading to another, related one. Most of the classical and some more advanced subjects in the theory of algorithms are covered, though not in a comprehensive manner. The topics include Divide and Conquer, Dynamic Programming, Graph algorithms, probabilistic algorithms, data compression, numerical algorithms and intractability. Each chapter comes with its own set of exercises, and solutions to most of them are appended.
Klein reproduces his oral teaching style in writing, with one topic leading to another, related one. Most of the classical and some more advanced subjects in the theory of algorithms are covered, though not in a comprehensive manner. The topics include Divide and Conquer, Dynamic Programming, Graph algorithms, probabilistic algorithms, data compression, numerical algorithms and intractability. Each chapter comes with its own set of exercises, and solutions to most of them are appended.
Édition : World Scientific - 364 pages, 1re édition, 15 juillet 2021
ISBN10 : 9811238529 - ISBN13 : 9789811238529
Recursion
Divide and Conquer
Dynamic Programming
Graph Algorithms
Minimum Spanning Trees
Shortest Paths
Probabilistic Algorithms
Primality
Text Algorithms
Data Compression
Pattern Matching
Numerical Algorithms
Fast Fourier Transform
Cryptography
Intractability
NP Completeness
Approximations
Divide and Conquer
Dynamic Programming
Graph Algorithms
Minimum Spanning Trees
Shortest Paths
Probabilistic Algorithms
Primality
Text Algorithms
Data Compression
Pattern Matching
Numerical Algorithms
Fast Fourier Transform
Cryptography
Intractability
NP Completeness
Approximations
Bon nombre d'ouvrages proposent des introductions aux algorithmes et à leur conception, mais rares sont ceux qui le font avec une telle variété. L'auteur a un style d'enseignement moins structuré que la norme, style qu'il reproduit dans ce livre : les sujets abordés ne sont pas toujours conventionnels (avec, par exemple, des algorithmes probabilistes et cryptographiques, mais aussi l'algorithme de Borůvka pour les arbres couvrants, avec des idées sous-jacentes très différentes des algorithmes de Prim ou de Kruskal), dans un ordre qui rassemble des thèmes similaires.
Ce livre n'est pas censé être utilisé comme introduction à la programmation, puisque l'auteur présuppose que les notions de base en programmation sont déjà intégrées, notamment les structures de données principales. Le formalisme mathématique est limité afin de garantir une bonne lisibilité (ce qui n'empêche que certains théorèmes sont prouvés).
La complexité est une notion essentielle de cet ouvrage, tous les algorithmes ayant droit à un calcul précis de leur complexité temporelle. Les notions nécessaires sont expliquées de manière très intuitive.
Chaque chapitre se termine par une série d'exercices de niveaux variés. Ces derniers sont bien choisis et servent à faire réfléchir aux notions centrales de chaque chapitre (plutôt qu'une simple mise en application) ; les corrections apparaissent en fin d'ouvrage.
Ce livre n'est pas censé être utilisé comme introduction à la programmation, puisque l'auteur présuppose que les notions de base en programmation sont déjà intégrées, notamment les structures de données principales. Le formalisme mathématique est limité afin de garantir une bonne lisibilité (ce qui n'empêche que certains théorèmes sont prouvés).
La complexité est une notion essentielle de cet ouvrage, tous les algorithmes ayant droit à un calcul précis de leur complexité temporelle. Les notions nécessaires sont expliquées de manière très intuitive.
Chaque chapitre se termine par une série d'exercices de niveaux variés. Ces derniers sont bien choisis et servent à faire réfléchir aux notions centrales de chaque chapitre (plutôt qu'une simple mise en application) ; les corrections apparaissent en fin d'ouvrage.
Commenter
Signaler un problème
Basic concepts in algorithms
This book is the result of several decades of teaching experience in data structures and algorithms. It is self-contained but does assume some prior knowledge of data structures, and a grasp of basic programming and mathematics tools. Basic Concepts in Algorithms focuses on more advanced paradigms and methods combining basic programming constructs as building blocks and their usefulness in the derivation of algorithms. Its coverage includes the algorithms' design process and an analysis of their performance. It is primarily intended as a textbook for the teaching of Algorithms for second year undergraduate students in study fields related to computers and programming.
Klein reproduces his oral teaching style in writing, with one topic leading to another, related one. Most of the classical and some more advanced subjects in the theory of algorithms are covered, though not in a comprehensive manner. The topics include Divide and Conquer, Dynamic Programming, Graph algorithms, probabilistic algorithms, data compression, numerical algorithms and intractability. Each chapter comes with its own set of exercises, and solutions to most of them are appended.
[Lire la suite]
Klein reproduces his oral teaching style in writing, with one topic leading to another, related one. Most of the classical and some more advanced subjects in the theory of algorithms are covered, though not in a comprehensive manner. The topics include Divide and Conquer, Dynamic Programming, Graph algorithms, probabilistic algorithms, data compression, numerical algorithms and intractability. Each chapter comes with its own set of exercises, and solutions to most of them are appended.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Rigid Body Kinematics
de Joaquim A. Batlle, Ana Barjau Condomines
Public visé :
Débutant
Résumé de l'éditeur
Master the conceptual, theoretical and practical aspects of kinematics with this exhaustive text, which provides a rigorous analysis and description of general motion in mechanical systems, with numerous examples from spinning tops to wheel ground-vehicles. Over 400 figures illustrate the main ideas and provide a geometrical interpretation and a deeper understanding of concepts, and exercises and problems throughout the text provide additional hands-on practice. Ideal for students taking courses on rigid body kinematics, and an invaluable reference for researchers.
Édition : Cambridge University Press - 294 pages, 1re édition, 10 septembre 2020
ISBN10 : 1108479073 - ISBN13 : 9781108479073
Space and Time
Point Kinematics
Rigid Body Kinematics
Introduction to Kinematics of Multibody Systems
Point Kinematics
Rigid Body Kinematics
Introduction to Kinematics of Multibody Systems
La cinématique est l'un des sujets principaux des enseignements de physique dans le supérieur. Ce livre propose de le découvrir, en suivant une approche rigoureuse mais intuitive. Des bases mathématiques sont nécessaires, mais les auteurs préfèrent toujours les explications géométriques (d'ailleurs, l'ouvrage est richement illustré). Les exemples détaillés proviennent, pour la plupart, de la vie courante ou d'applications techniques actuelles (notamment en robotique). Les preuves sont écrites in extenso, sans laisser au lecteur de marge d'interprétation.
Chaque chapitre est complété par une grande série de problèmes supplémentaires, tant sous la forme de quiz que de problèmes plus ouverts. Toujours, les solutions sont proposées : pour les quiz, elles incluent les résultats sous forme analytique, afin de vérifier si, outre le résultat final, le raisonnement est bien correct.
Le livre est succinct et ne traite que de cinématique, afin de correspondre à un public aussi large que possible. Un résumé des notations aurait été le bienvenu.
Chaque chapitre est complété par une grande série de problèmes supplémentaires, tant sous la forme de quiz que de problèmes plus ouverts. Toujours, les solutions sont proposées : pour les quiz, elles incluent les résultats sous forme analytique, afin de vérifier si, outre le résultat final, le raisonnement est bien correct.
Le livre est succinct et ne traite que de cinématique, afin de correspondre à un public aussi large que possible. Un résumé des notations aurait été le bienvenu.
Commenter
Signaler un problème
Rigid Body Kinematics
Master the conceptual, theoretical and practical aspects of kinematics with this exhaustive text, which provides a rigorous analysis and description of general motion in mechanical systems, with numerous examples from spinning tops to wheel ground-vehicles. Over 400 figures illustrate the main ideas and provide a geometrical interpretation and a deeper understanding of concepts, and exercises and problems throughout the text provide additional hands-on practice. Ideal for students taking courses on rigid body kinematics, and an invaluable reference for researchers.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Introduction to the Finite Element Method and Implementation with MATLAB®
de Gang Li
Public visé :
Débutant
Résumé de l'éditeur
Connecting theory with numerical techniques using MATLAB®, this practical textbook equips students with the tools required to solve finite element problems. This hands-on guide covers a wide range of engineering problems through nine well-structured chapters including solid mechanics, heat transfer and fluid dynamics; equilibrium, steady state and transient; and 1-D, 2-D and 3-D problems. Engineering problems are discussed using case study examples, which are solved using a systematic approach, both by examining the steps manually and by implementing a complete MATLAB®code. This topical coverage is supplemented by discourse on meshing with a detailed explanation and implementation of 2-D meshing algorithms. Introducing theory and numerical techniques alongside comprehensive examples this text increases engagement and provides students with the confidence needed to implement their own computer codes to solve given problems.
Drawing upon years of practical experience and using numerous examples and illustrative applications, Gang Li provides:
15 engineering problems on elasticity, heat transfer, fluid flow, and mesh creation, fully worked and described in step-by-step detail
over 110 end-of-chapter problems for students to practice and build confidence
M-files for all numerical examples and exercise problems, which can be accessed and downloaded from the textbook's online resource page.
Dr. Gang Li is a professor and D. W. Reynolds Emerging Scholar of Mechanical Engineering at Clemson University. He was an awardee of the National Science Foundation Early Career Award. He is an associate editor of the Journal of Computational Electronics and serves on the ASME Committee on Computing in Applied Mechanics. Dr. Li's scholarly articles on computational mechanics and finite element method frequently appear in leading journals.
Drawing upon years of practical experience and using numerous examples and illustrative applications, Gang Li provides:
15 engineering problems on elasticity, heat transfer, fluid flow, and mesh creation, fully worked and described in step-by-step detail
over 110 end-of-chapter problems for students to practice and build confidence
M-files for all numerical examples and exercise problems, which can be accessed and downloaded from the textbook's online resource page.
Dr. Gang Li is a professor and D. W. Reynolds Emerging Scholar of Mechanical Engineering at Clemson University. He was an awardee of the National Science Foundation Early Career Award. He is an associate editor of the Journal of Computational Electronics and serves on the ASME Committee on Computing in Applied Mechanics. Dr. Li's scholarly articles on computational mechanics and finite element method frequently appear in leading journals.
Édition : Cambridge University Press - 522 pages, 1re édition, 30 juillet 2020
ISBN10 : 1108471684 - ISBN13 : 9781108471688
Introduction
Mathematical Preliminaries
Numerical Analysis Methods
General Procedures of FEA for Linear Static Analysis: 1-D Problems
FEA for Multi-Dimensional Scalar Field Problems
Mesh Generation
FEA for Multi-Dimensional Vector Field Problems
Structural Elements
FEA for Linear Time-Dependent Analysis
Mathematical Preliminaries
Numerical Analysis Methods
General Procedures of FEA for Linear Static Analysis: 1-D Problems
FEA for Multi-Dimensional Scalar Field Problems
Mesh Generation
FEA for Multi-Dimensional Vector Field Problems
Structural Elements
FEA for Linear Time-Dependent Analysis
La méthode des éléments finis est parfois réputée pour être très compliquée à apprendre et à utiliser. Ce livre se focalise sur l'apprentissage des fondamentaux de la technique et sur son implémentation. Il se base sur des applications typiques en ingénierie pour présenter le procédé étape par étape, en commençant avec une modélisation physique pour terminer avec l'extraction d'une solution pour toutes les variables d'intérêt du problème : on ne compte que très peu de contenu abstrait. Ainsi, l'auteur montre que les éléments finis ne sont pas si compliqués à comprendre ou à implémenter : à aucun moment, il ne montre l'utilisation de logiciels existants (ils sont simplement mentionnés). La pédagogie de l'ouvrage est exceptionnelle, notamment avec un rappel des bases mathématiques nécessaires pour bien comprendre d'où vient la formulation utilisée avec des éléments finis. Ces bases sont présentées en lien, autant que possible, avec leur interprétation physique (notamment, pour les valeurs propres ou le nombre de conditionnement).
Le public cible a très clairement de bonnes bases en ingénierie, notamment en génie mécanique. Un lecteur sans notion de résistance des matériaux ou de conduction de la chaleur aura du mal à suivre les exemples. Néanmoins, celui qui en a une connaissance basique profitera d'un exposé qui repart de ce socle et reconstruit toute la méthode des éléments finis, sans omettre une seule étape de calcul, même fastidieuse.
Les aspects algorithmiques sont mis en avant, pour faciliter l'implémentation de codes d'éléments finis basiques. On peut toutefois regretter que le sujet des conditions de convergence ne soit pas véritablement abordé.
Le public cible a très clairement de bonnes bases en ingénierie, notamment en génie mécanique. Un lecteur sans notion de résistance des matériaux ou de conduction de la chaleur aura du mal à suivre les exemples. Néanmoins, celui qui en a une connaissance basique profitera d'un exposé qui repart de ce socle et reconstruit toute la méthode des éléments finis, sans omettre une seule étape de calcul, même fastidieuse.
Les aspects algorithmiques sont mis en avant, pour faciliter l'implémentation de codes d'éléments finis basiques. On peut toutefois regretter que le sujet des conditions de convergence ne soit pas véritablement abordé.
Commenter
Signaler un problème
Introduction to the Finite Element Method and Implementation with MATLAB®
Connecting theory with numerical techniques using MATLAB®, this practical textbook equips students with the tools required to solve finite element problems. This hands-on guide covers a wide range of engineering problems through nine well-structured chapters including solid mechanics, heat transfer and fluid dynamics; equilibrium, steady state and transient; and 1-D, 2-D and 3-D problems. Engineering problems are discussed using case study examples, which are solved using a systematic approach, both by examining the steps manually and by implementing a complete MATLAB®code. This topical coverage is supplemented by discourse on meshing with a detailed explanation and implementation of 2-D meshing algorithms. Introducing theory and numerical techniques alongside comprehensive examples this text increases engagement and provides students with the confidence needed to implement their own computer codes to solve given problems.
Drawing upon years of practical experience and using numerous examples and illustrative applications, Gang Li provides:
15 engineering problems on elasticity, heat transfer, fluid flow, and mesh creation, fully worked and described in step-by-step detail
over 110 end-of-chapter problems for students to practice and build confidence
M-files for all numerical examples and exercise problems, which can be accessed and downloaded from the textbook's online resource page.
Dr. Gang Li is a professor and D. W. Reynolds Emerging Scholar of Mechanical Engineering at Clemson University. He was an awardee of the National Science Foundation Early Career Award. He is an associate editor of the Journal of Computational Electronics and serves on the ASME Committee on Computing in Applied Mechanics. Dr. Li's scholarly articles on computational mechanics and finite element method frequently appear in leading journals.
[Lire la suite]
Drawing upon years of practical experience and using numerous examples and illustrative applications, Gang Li provides:
15 engineering problems on elasticity, heat transfer, fluid flow, and mesh creation, fully worked and described in step-by-step detail
over 110 end-of-chapter problems for students to practice and build confidence
M-files for all numerical examples and exercise problems, which can be accessed and downloaded from the textbook's online resource page.
Dr. Gang Li is a professor and D. W. Reynolds Emerging Scholar of Mechanical Engineering at Clemson University. He was an awardee of the National Science Foundation Early Career Award. He is an associate editor of the Journal of Computational Electronics and serves on the ASME Committee on Computing in Applied Mechanics. Dr. Li's scholarly articles on computational mechanics and finite element method frequently appear in leading journals.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Network Traffic Engineering
Stochastic Models and Applications
de Andrea Baiocchi
Public visé :
Débutant
Résumé de l'éditeur
A comprehensive guide to the concepts and applications of queuing theory and traffic theory
Network Traffic Engineering: Models and Applications provides an advanced level queuing theory guide for students with a strong mathematical background who are interested in analytic modeling and performance assessment of communication networks.
The text begins with the basics of queueing theory before moving on to more advanced levels. The topics covered in the book are derived from the most cutting-edge research, project development, teaching activity, and discussions on the subject. They include applications of queuing and traffic theory in:
LTE networks
Wi-Fi networks
Ad-hoc networks
Automated vehicles
Congestion control on the Internet
The distinguished author seeks to show how insight into practical and real-world problems can be gained by means of quantitative modeling. Perfect for graduate students of computer engineering, computer science, telecommunication engineering, and electrical engineering, Network Traffic Engineering offers a supremely practical approach to a rapidly developing field of study and industry.
Network Traffic Engineering: Models and Applications provides an advanced level queuing theory guide for students with a strong mathematical background who are interested in analytic modeling and performance assessment of communication networks.
The text begins with the basics of queueing theory before moving on to more advanced levels. The topics covered in the book are derived from the most cutting-edge research, project development, teaching activity, and discussions on the subject. They include applications of queuing and traffic theory in:
LTE networks
Wi-Fi networks
Ad-hoc networks
Automated vehicles
Congestion control on the Internet
The distinguished author seeks to show how insight into practical and real-world problems can be gained by means of quantitative modeling. Perfect for graduate students of computer engineering, computer science, telecommunication engineering, and electrical engineering, Network Traffic Engineering offers a supremely practical approach to a rapidly developing field of study and industry.
Édition : Wiley - 816 pages, 1re édition, 24 juillet 2020
ISBN10 : 1119632439 - ISBN13 : 9781119632436
Introduction
Service Systems and Queues
Stochastic Models for Network Traffic
Single-Server Queues
Multi-Server Queues
Priorities and Scheduling
Queueing Networks
Bounds and Approximations
Multiple Access
Congestion Control
Quality-of-Service Guarantees
Service Systems and Queues
Stochastic Models for Network Traffic
Single-Server Queues
Multi-Server Queues
Priorities and Scheduling
Queueing Networks
Bounds and Approximations
Multiple Access
Congestion Control
Quality-of-Service Guarantees
Contrairement à ce que l'on pourrait attendre, cet ouvrage traite presque uniquement du sujet des files d'attente. À l'opposé de trop de livres et de cours sur le sujet, cependant, il ne s'intéresse pas tellement à la théorie en elle-même, mais plutôt à ses applications, notamment dans le domaine de l'évaluation de la performance de réseaux de télécommunications. On retrouve donc le traitement complet et très mathématique du sujet des files d'attente, mais aussi la mise en pratique sur des questions d'actualité, comme les réseaux Wi-Fi, la 5G ou les diverses implémentations de TCP. Ces développements aident à mieux comprendre les compromis effectués lors du déploiement de ces technologies (par exemple, pourquoi certaines variantes de TCP fonctionnent mieux entre serveurs d'un même centre informatique).
Pour bien profiter de ce contenu, il vaut mieux donc être bien équipé d'un point de vue mathématique, notamment sur les probabilités, les processus stochastiques et les chaînes de Markov. Quant aux exemples, le lecteur a intérêt à avoir de sérieuses bases en télécommunications (fonctionnement de TCP, accès à la couche physique, etc.). Des notions de programmation ne pourraient pas faire de mal, étant donné que certaines parties sont formalisées à l'aide d'algorithmes et de code, tandis que l'implémentation en MATLAB de certains exemples est proposée.
L'ouvrage est rédigé de manière très progressive, en présentant d'abord les bases théoriques des files d'attente, avant de les appliquer. Chaque chapitre contient une série d'exercices (malheureusement pas corrigés) pour vérifier sa compréhension des éléments clés. De même, l'auteur prend soin de résumer les idées essentielles de chaque chapitre dans une section prévue à cet effet. Les notations sont toujours bien expliquées et explicitées.
Pour bien profiter de ce contenu, il vaut mieux donc être bien équipé d'un point de vue mathématique, notamment sur les probabilités, les processus stochastiques et les chaînes de Markov. Quant aux exemples, le lecteur a intérêt à avoir de sérieuses bases en télécommunications (fonctionnement de TCP, accès à la couche physique, etc.). Des notions de programmation ne pourraient pas faire de mal, étant donné que certaines parties sont formalisées à l'aide d'algorithmes et de code, tandis que l'implémentation en MATLAB de certains exemples est proposée.
L'ouvrage est rédigé de manière très progressive, en présentant d'abord les bases théoriques des files d'attente, avant de les appliquer. Chaque chapitre contient une série d'exercices (malheureusement pas corrigés) pour vérifier sa compréhension des éléments clés. De même, l'auteur prend soin de résumer les idées essentielles de chaque chapitre dans une section prévue à cet effet. Les notations sont toujours bien expliquées et explicitées.
Commenter
Signaler un problème
Network Traffic Engineering
Stochastic Models and Applications
Stochastic Models and Applications
A comprehensive guide to the concepts and applications of queuing theory and traffic theory
Network Traffic Engineering: Models and Applications provides an advanced level queuing theory guide for students with a strong mathematical background who are interested in analytic modeling and performance assessment of communication networks.
The text begins with the basics of queueing theory before moving on to more advanced levels. The topics covered in the book are derived from the most cutting-edge research, project development, teaching activity, and discussions on the subject. They include applications of queuing and traffic theory in:
LTE networks
Wi-Fi networks
Ad-hoc networks
Automated vehicles
Congestion control on the Internet
The distinguished author seeks to show how insight into practical and real-world problems can be gained by means of quantitative modeling. Perfect for graduate students of computer engineering, computer science, telecommunication engineering, and electrical engineering, Network Traffic Engineering offers a supremely practical approach to a rapidly developing field of study and industry.
[Lire la suite]
Network Traffic Engineering: Models and Applications provides an advanced level queuing theory guide for students with a strong mathematical background who are interested in analytic modeling and performance assessment of communication networks.
The text begins with the basics of queueing theory before moving on to more advanced levels. The topics covered in the book are derived from the most cutting-edge research, project development, teaching activity, and discussions on the subject. They include applications of queuing and traffic theory in:
LTE networks
Wi-Fi networks
Ad-hoc networks
Automated vehicles
Congestion control on the Internet
The distinguished author seeks to show how insight into practical and real-world problems can be gained by means of quantitative modeling. Perfect for graduate students of computer engineering, computer science, telecommunication engineering, and electrical engineering, Network Traffic Engineering offers a supremely practical approach to a rapidly developing field of study and industry.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Dynamics of Multibody Systems
de Ahmed A. Shabana
Public visé :
Débutant
Résumé de l'éditeur
This fully revised fifth edition provides comprehensive coverage of flexible multibody system dynamics. Including an entirely new chapter on the integration of geometry, durability analysis, and design, it offers clear explanations of spatial kinematics, rigid body dynamics, and flexible body dynamics, and uniquely covers the basic formulations used by the industry for analysis, design, and performance evaluation. Included are methods for formulating dynamic equations, the floating frame of reference formulation used in small deformation analysis, and the absolute nodal coordinate formulation used in large deformation analysis, as well as coverage of industry durability investigations. Illustrated with a wealth of examples and practical applications throughout, it is the ideal text for single-semester graduate courses on multibody dynamics taken in departments of aerospace and mechanical engineering, and for researchers and practicing engineers working on a wide variety of flexible multibody systems.
Édition : Cambridge University Press - 420 pages, 5e édition, 5 mars 2020
ISBN10 : 1108485642 - ISBN13 : 9781108485647
Introduction
Reference Kinematics
Analytical Techniques
Mechanics of Deformable Bodies
Floating Frame of Reference Formulation
Finite-Element Formulation
The Large Deformation Problem
Concepts and Essential Details
Integration of Geometry, Durability Analysis, and Design
Reference Kinematics
Analytical Techniques
Mechanics of Deformable Bodies
Floating Frame of Reference Formulation
Finite-Element Formulation
The Large Deformation Problem
Concepts and Essential Details
Integration of Geometry, Durability Analysis, and Design
Cet ouvrage propose une introduction assez succincte aux problèmes de mécanique avec plusieurs corps, notamment dans le cas où ceux-ci sont déformables. Il part des principes mécaniques de base et explique les techniques courantes de modélisation des systèmes mécaniques (notamment les travaux virtuels), qu'il s'agisse de points matériels ou de corps, avant de généraliser au cas de corps déformables. Bon nombre d'applications simples sont traitées dans les exemples, notamment en robotique.
Chaque chapitre est accompagné d'une série d'exercices de mise en pratique, mais sans correction. Toutefois, l'auteur formule les exemples de la même manière que les exercices ; ceux-ci incluent des corrections et explications complètes. Également, les preuves sont écrites au complet, sans laisser une grande marge d'interprétation au lecteur.
Les principes de base pour l'implémentation des méthodes numériques actuelles sont bien présents, y compris avec du pseudocode. Ces méthodes se focalisent sur une résolution précise des problèmes numériques, plutôt qu'une résolution rapide. Les explications sont complètes et se basent assez peu sur des connaissances préalables du lecteur.
Chaque chapitre est accompagné d'une série d'exercices de mise en pratique, mais sans correction. Toutefois, l'auteur formule les exemples de la même manière que les exercices ; ceux-ci incluent des corrections et explications complètes. Également, les preuves sont écrites au complet, sans laisser une grande marge d'interprétation au lecteur.
Les principes de base pour l'implémentation des méthodes numériques actuelles sont bien présents, y compris avec du pseudocode. Ces méthodes se focalisent sur une résolution précise des problèmes numériques, plutôt qu'une résolution rapide. Les explications sont complètes et se basent assez peu sur des connaissances préalables du lecteur.
Commenter
Signaler un problème
Dynamics of Multibody Systems
This fully revised fifth edition provides comprehensive coverage of flexible multibody system dynamics. Including an entirely new chapter on the integration of geometry, durability analysis, and design, it offers clear explanations of spatial kinematics, rigid body dynamics, and flexible body dynamics, and uniquely covers the basic formulations used by the industry for analysis, design, and performance evaluation. Included are methods for formulating dynamic equations, the floating frame of reference formulation used in small deformation analysis, and the absolute nodal coordinate formulation used in large deformation analysis, as well as coverage of industry durability investigations. Illustrated with a wealth of examples and practical applications throughout, it is the ideal text for single-semester graduate courses on multibody dynamics taken in departments of aerospace and mechanical engineering, and for researchers and practicing engineers working on a wide variety of flexible multibody systems.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Introduction to Optimization and Hadamard Semidifferential Calculus
de Michel C. Delfour
Public visé :
Intermédiaire
Résumé de l'éditeur
This second edition provides an enhanced exposition of the long-overlooked Hadamard semidifferential calculus, first introduced in the 1920s by mathematicians Jacques Hadamard and Maurice René Fréchet. Hadamard semidifferential calculus is possibly the largest family of nondifferentiable functions that retains all the features of classical differential calculus, including the chain rule, making it a natural framework for initiating a large audience of undergraduates and non-mathematicians into the world of nondifferentiable optimization.
Introduction to Optimization and Hadamard Semidifferential Calculus, Second Edition:
builds upon its prior edition’s foundations in Hadamard semidifferential calculus, showcasing new material linked to convex analysis and nonsmooth optimization;
presents a modern treatment of optimization and Hadamard semidifferential calculus while remaining at a level that is accessible to undergraduate students; and
challenges students with exercises related to problems in such fields as engineering, mechanics, medicine, physics, and economics and supplies answers in Appendix B.
Students of mathematics, physics, engineering, economics, and other disciplines that demand a basic knowledge of mathematical analysis and linear algebra will find this a fitting primary or companion resource for their studies. This textbook has been designed and tested for a one-term course at the undergraduate level. In its full version, it is appropriate for a first-year graduate course and as a reference.
Introduction to Optimization and Hadamard Semidifferential Calculus, Second Edition:
builds upon its prior edition’s foundations in Hadamard semidifferential calculus, showcasing new material linked to convex analysis and nonsmooth optimization;
presents a modern treatment of optimization and Hadamard semidifferential calculus while remaining at a level that is accessible to undergraduate students; and
challenges students with exercises related to problems in such fields as engineering, mechanics, medicine, physics, and economics and supplies answers in Appendix B.
Students of mathematics, physics, engineering, economics, and other disciplines that demand a basic knowledge of mathematical analysis and linear algebra will find this a fitting primary or companion resource for their studies. This textbook has been designed and tested for a one-term course at the undergraduate level. In its full version, it is appropriate for a first-year graduate course and as a reference.
Édition : SIAM - 423 pages, 2e édition, 19 décembre 2019
ISBN10 : 1611975956 - ISBN13 : 9781611975956
Introduction
Existence, Convexities, and Convexification
Semidifferentiability, Differentiability, Continuity, and Convexities
Optimality Conditions
Differentiable and Semidifferentiable Constrained Optimization
Existence, Convexities, and Convexification
Semidifferentiability, Differentiability, Continuity, and Convexities
Optimality Conditions
Differentiable and Semidifferentiable Constrained Optimization
Bon nombre de résultats en optimisation continue ont été obtenus à partir de la théorie classique de l'analyse mathématique, avec souvent des hypothèses très fortes comme la dérivabilité des fonctions. Pour s'en passer et élargir le spectre des applications, les théoriciens se sont emparés de théories plus récentes en analyse mathématique. Ce livre expose l'une de ces théories, celle de Hadamard, puis la spécialise aux cas utiles pour l'optimisation. L'ouvrage traite donc principalement de mathématiques assez fondamentales.
Toutes les preuves sont présentes dans l'ouvrage, peu de choses sont laissées au lecteur. Certaines sont mises en tant qu'exercices (qui abordent aussi des sujest plus pratiques), mais les corrections sont fournies en annexe. L'auteur fournit également une série de remarques historiques, pour positionner les théories les unes par rapport aux autres dans leur contexte mathématique historique.
Contrairement à ce que pourrait indiquer le titre, le livre s'arrête à fournir la théorie de base pour l'analyse d'algorithmes d'optimisation, il ne présente pas d'algorithme.
Toutes les preuves sont présentes dans l'ouvrage, peu de choses sont laissées au lecteur. Certaines sont mises en tant qu'exercices (qui abordent aussi des sujest plus pratiques), mais les corrections sont fournies en annexe. L'auteur fournit également une série de remarques historiques, pour positionner les théories les unes par rapport aux autres dans leur contexte mathématique historique.
Contrairement à ce que pourrait indiquer le titre, le livre s'arrête à fournir la théorie de base pour l'analyse d'algorithmes d'optimisation, il ne présente pas d'algorithme.
Commenter
Signaler un problème
Introduction to Optimization and Hadamard Semidifferential Calculus
This second edition provides an enhanced exposition of the long-overlooked Hadamard semidifferential calculus, first introduced in the 1920s by mathematicians Jacques Hadamard and Maurice René Fréchet. Hadamard semidifferential calculus is possibly the largest family of nondifferentiable functions that retains all the features of classical differential calculus, including the chain rule, making it a natural framework for initiating a large audience of undergraduates and non-mathematicians into the world of nondifferentiable optimization.
Introduction to Optimization and Hadamard Semidifferential Calculus, Second Edition:
builds upon its prior edition’s foundations in Hadamard semidifferential calculus, showcasing new material linked to convex analysis and nonsmooth optimization;
presents a modern treatment of optimization and Hadamard semidifferential calculus while remaining at a level that is accessible to undergraduate students; and
challenges students with exercises related to problems in such fields as engineering, mechanics, medicine, physics, and economics and supplies answers in Appendix B.
Students of mathematics, physics, engineering, economics, and other disciplines that demand a basic knowledge of mathematical analysis and linear algebra will find this a fitting primary or companion resource for their studies. This textbook has been designed and tested for a one-term course at the undergraduate level. In its full version, it is appropriate for a first-year graduate course and as a reference.
[Lire la suite]
Introduction to Optimization and Hadamard Semidifferential Calculus, Second Edition:
builds upon its prior edition’s foundations in Hadamard semidifferential calculus, showcasing new material linked to convex analysis and nonsmooth optimization;
presents a modern treatment of optimization and Hadamard semidifferential calculus while remaining at a level that is accessible to undergraduate students; and
challenges students with exercises related to problems in such fields as engineering, mechanics, medicine, physics, and economics and supplies answers in Appendix B.
Students of mathematics, physics, engineering, economics, and other disciplines that demand a basic knowledge of mathematical analysis and linear algebra will find this a fitting primary or companion resource for their studies. This textbook has been designed and tested for a one-term course at the undergraduate level. In its full version, it is appropriate for a first-year graduate course and as a reference.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Practical Optimization
de Philipp E. Gill, Walter Murray, Margaret H. Wright
Public visé :
Débutant
Résumé de l'éditeur
In the intervening years since this book was published in 1981, the field of optimization has been exceptionally lively. This fertility has involved not only progress in theory, but also faster numerical algorithms and extensions into unexpected or previously unknown areas such as semidefinite programming. Despite these changes, many of the important principles and much of the intuition can be found in this Classics version of Practical Optimization.
This book
provides model algorithms and pseudocode, useful tools for users who prefer to write their own code as well as for those who want to understand externally provided code;
presents algorithms in a step-by-step format, revealing the overall structure of the underlying procedures and thereby allowing a high-level perspective on the fundamental differences; and
contains a wealth of techniques and strategies that are well suited for optimization in the twenty-first century and particularly in the now-flourishing fields of data science, “big data,” and machine learning.
Practical Optimization is appropriate for advanced undergraduates, graduate students, and researchers interested in methods for solving optimization problems.
This book
provides model algorithms and pseudocode, useful tools for users who prefer to write their own code as well as for those who want to understand externally provided code;
presents algorithms in a step-by-step format, revealing the overall structure of the underlying procedures and thereby allowing a high-level perspective on the fundamental differences; and
contains a wealth of techniques and strategies that are well suited for optimization in the twenty-first century and particularly in the now-flourishing fields of data science, “big data,” and machine learning.
Practical Optimization is appropriate for advanced undergraduates, graduate students, and researchers interested in methods for solving optimization problems.
Édition : SIAM - 401 pages, 1re édition, 16 décembre 2019
ISBN10 : 161197559X - ISBN13 : 9781611975598
Introduction
Fundamentals
Optimality Conditions
Unconstrained Methods
Linear Constraints
Nonlinear Constraints
Modelling
Practicalities
Fundamentals
Optimality Conditions
Unconstrained Methods
Linear Constraints
Nonlinear Constraints
Modelling
Practicalities
L'optimisation est un domaine qui a fortement évolué depuis les années 1980. Ce livre, écrit à cette période, ne présente donc pas les dernières avancées. Il se focalise sur les méthodes pour des fonctions continues (la plupart du temps), sans effectuer d'hypothèse de convexité. Il s'agit d'un livre qui parcourt les bases de l'optimisation numérique avec un point de vue assez différent de la littérature actuelle.
Les auteurs présentent une grande quantité de méthodes, en précisant leurs avantages et les cas particuliers où ces algorithmes auront tendance à mieux fonctionner. Ils tendent à présenter plus d'algorithmes que de théorie, tout en analysant la convergence des méthodes et en mettant l'accent sur la stabilité numérique (un point très peu étudié dans la littérature plus récente). L'explication de la méthode du simplexe est très différente de la majorité des auteurs, puisque ce livre repart des méthodes d'ensemble de contraintes actives.
Les prérequis sont extrêmement faibles. Il faut, certes, une habitude de travailler avec des mathématiques, mais les notions nécessaires en algèbre linéaire, en analyse numérique et en analyse multivairée sont expliquées. Par exemple, les auteurs commencent avec la manière qu'a un ordinateur de représenter des nombres et les conséquences que cela peut avoir sur un programme d'optimisation.
Globalement, l'ouvrage a très bien résisté au temps. Toutefois, on regrettera qu'il n'aborde presque pas les problèmes discrets ou non dérivables (deux domaines qui ont véritablement explosé dans les décennies postérieures, par exemple les méthodes de sous-gradient). L'approche duale est certes présentée, mais peu d'algorithmes l'exploitent. Étonnamment, le chapitre sur la mise en pratique des méthodes reste fortement d'actualité, avec des questions comme la vérification du sens des solutions ou le choix d'un critère de terminaison.
Les auteurs présentent une grande quantité de méthodes, en précisant leurs avantages et les cas particuliers où ces algorithmes auront tendance à mieux fonctionner. Ils tendent à présenter plus d'algorithmes que de théorie, tout en analysant la convergence des méthodes et en mettant l'accent sur la stabilité numérique (un point très peu étudié dans la littérature plus récente). L'explication de la méthode du simplexe est très différente de la majorité des auteurs, puisque ce livre repart des méthodes d'ensemble de contraintes actives.
Les prérequis sont extrêmement faibles. Il faut, certes, une habitude de travailler avec des mathématiques, mais les notions nécessaires en algèbre linéaire, en analyse numérique et en analyse multivairée sont expliquées. Par exemple, les auteurs commencent avec la manière qu'a un ordinateur de représenter des nombres et les conséquences que cela peut avoir sur un programme d'optimisation.
Globalement, l'ouvrage a très bien résisté au temps. Toutefois, on regrettera qu'il n'aborde presque pas les problèmes discrets ou non dérivables (deux domaines qui ont véritablement explosé dans les décennies postérieures, par exemple les méthodes de sous-gradient). L'approche duale est certes présentée, mais peu d'algorithmes l'exploitent. Étonnamment, le chapitre sur la mise en pratique des méthodes reste fortement d'actualité, avec des questions comme la vérification du sens des solutions ou le choix d'un critère de terminaison.
Commenter
Signaler un problème
Practical Optimization
In the intervening years since this book was published in 1981, the field of optimization has been exceptionally lively. This fertility has involved not only progress in theory, but also faster numerical algorithms and extensions into unexpected or previously unknown areas such as semidefinite programming. Despite these changes, many of the important principles and much of the intuition can be found in this Classics version of Practical Optimization.
This book
provides model algorithms and pseudocode, useful tools for users who prefer to write their own code as well as for those who want to understand externally provided code;
presents algorithms in a step-by-step format, revealing the overall structure of the underlying procedures and thereby allowing a high-level perspective on the fundamental differences; and
contains a wealth of techniques and strategies that are well suited for optimization in the twenty-first century and particularly in the now-flourishing fields of data science, “big data,” and machine learning.
Practical Optimization is appropriate for advanced undergraduates, graduate students, and researchers interested in methods for solving optimization problems.
[Lire la suite]
This book
provides model algorithms and pseudocode, useful tools for users who prefer to write their own code as well as for those who want to understand externally provided code;
presents algorithms in a step-by-step format, revealing the overall structure of the underlying procedures and thereby allowing a high-level perspective on the fundamental differences; and
contains a wealth of techniques and strategies that are well suited for optimization in the twenty-first century and particularly in the now-flourishing fields of data science, “big data,” and machine learning.
Practical Optimization is appropriate for advanced undergraduates, graduate students, and researchers interested in methods for solving optimization problems.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Algorithms Illuminated: Algorithms for NP-Hard Problems
de Tim Roughgarden
Public visé :
Débutant
Résumé de l'éditeur
Fourth book in a series that provides an accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes hints or solutions to all quizzes and problems, and a series of YouTube videos by the author accompanies the book. Part 4 covers algorithmic tools for tackling NP-hard problems (heuristic algorithms, local search, dynamic programming, MIP and SAT solvers) and techniques for quickly recognizing NP-hard problems in the wild.
Édition : Soundlikeyourself Publishing - 271 pages, 1re édition, 16 juillet 2020
ISBN10 : 0999282964 - ISBN13 : 9780999282960
What Is NP-Hardness?
Compromising on Correctness: Efficient Inexact Algorithms
Compromising on Speed: Exact Inefficient Algorithms
Proving Problems NP-Hard
P, NP, and All That
Case Study: The FCC Incentive Auction
Epilogue: A Field Guide to Algorithm Design
Compromising on Correctness: Efficient Inexact Algorithms
Compromising on Speed: Exact Inefficient Algorithms
Proving Problems NP-Hard
P, NP, and All That
Case Study: The FCC Incentive Auction
Epilogue: A Field Guide to Algorithm Design
L'algorithmique est un vaste domaine, auquel les étudiants sont vite confrontés dans leur cursus informatique, sans les lâcher jusqu'à la fin des cours sur la complexité. Cette quatrième et dernière partie d'Algorithms Illuminated plonge dans les méandres des algorithmes pour les problèmes les plus complexes (du moins, selon la théorie de la complexité). L'auteur continue son approche pragmatique, claire et progressive, malgré la technicité du sujet. Bien qu'étant un livre introductif, l'auteur se permet de présenter des évolutions récentes dans la théorie de la complexité.
En tant que livre d'algorithmique, la présentation de la théorie de la complexité n'est pas habituelle. L'auteur préfère une vue proche de la pratique algorithmique : l'objectif est que le lecteur sache reconnaître un problème difficile pour éviter de partir à la recherche d'un algorithme polynomial qui n'existe probablement pas. De là, l'ouvrage présente des techniques de résolution de ces problèmes (des techniques classiques — algorithme glouton, programmation dynamique — et plus spécifiques — solveurs de satisfiabilité et en nombres entiers). Les algorithmes ne sont pas les plus classiques, mais l'objectif est toujours d'entraîner à la recherche d'algorithmes intelligents.
Les problèmes difficiles présentés dans ce quatrième tome ne sont pas abstraits, ils sont régulièrement présents dans la pratique. Ainsi, chacun est toujours mis en contexte. Le dernier chapitre est une étude de cas, pour montrer comment un problème réel (des mises aux enchères de canaux de fréquences pour les télécommunications sans fil aux États-Unis) doit être abordé avec finesse. Cette partie fait appel à tous les outils développés dans les quatre tomes de la série.
En tant que livre d'algorithmique, la présentation de la théorie de la complexité n'est pas habituelle. L'auteur préfère une vue proche de la pratique algorithmique : l'objectif est que le lecteur sache reconnaître un problème difficile pour éviter de partir à la recherche d'un algorithme polynomial qui n'existe probablement pas. De là, l'ouvrage présente des techniques de résolution de ces problèmes (des techniques classiques — algorithme glouton, programmation dynamique — et plus spécifiques — solveurs de satisfiabilité et en nombres entiers). Les algorithmes ne sont pas les plus classiques, mais l'objectif est toujours d'entraîner à la recherche d'algorithmes intelligents.
Les problèmes difficiles présentés dans ce quatrième tome ne sont pas abstraits, ils sont régulièrement présents dans la pratique. Ainsi, chacun est toujours mis en contexte. Le dernier chapitre est une étude de cas, pour montrer comment un problème réel (des mises aux enchères de canaux de fréquences pour les télécommunications sans fil aux États-Unis) doit être abordé avec finesse. Cette partie fait appel à tous les outils développés dans les quatre tomes de la série.
Commenter
Signaler un problème
Algorithms Illuminated: Algorithms for NP-Hard Problems
Fourth book in a series that provides an accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes hints or solutions to all quizzes and problems, and a series of YouTube videos by the author accompanies the book. Part 4 covers algorithmic tools for tackling NP-hard problems (heuristic algorithms, local search, dynamic programming, MIP and SAT solvers) and techniques for quickly recognizing NP-hard problems in the wild.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Crowds in Equations
An Introduction to the Microscopic Modeling of Crowds
de Bertrand Maury, Sylvain Faure
Public visé :
Intermédiaire
Résumé de l'éditeur
The book contains self-contained descriptions of existing models, accompanied by critical analyses of their properties both from a theoretical and practical standpoint. It aims to develop 'modeling skills' within the readers, giving them the ability to develop their own models and improve existing ones. Written in connection with a full, open source Python Library, this project also enables readers to run the simulations discussed within the text.
Édition : WorldScientific - 200 pages, 1re édition, 11 juillet 2018
ISBN10 : 178634551X - ISBN13 : 9781786345516
Foreword
Introduction
One-Dimensional Microscopic Models
Social Force Model, Native and Overdamped Forms
Granular Models
Cellular Automata
Compartment Models
Toward Macroscopic Models
Computing Distance and Desired Velocities
Data, Observable Phenomena
A Wider Look on Characteristic Phenomena in Crowds
Introduction
One-Dimensional Microscopic Models
Social Force Model, Native and Overdamped Forms
Granular Models
Cellular Automata
Compartment Models
Toward Macroscopic Models
Computing Distance and Desired Velocities
Data, Observable Phenomena
A Wider Look on Characteristic Phenomena in Crowds
Les mathématiques appliquées sont partout, y compris quand il s'agit de concevoir des scénarios d'évacuation de bâtiment ou de simuler le comportement de piétons dans un jeu vidéo. Ce livre aborde ces questions sous un angle microscopique, comme son nom l'indique : comment se déplace chaque personne dans une foule ? Ce livre répond à cette question en expliquant les principes de modélisation de ces situations, selon l'état actuel des connaissances scientifiques (les techniques proposées sont néanmoins implémentées dans un paquet Python, pour une mise en pratique rapide). Les auteurs développent, tout le long de l'ouvrage, le cas d'étude d'une évacuation de bâtiment, mais indiquent aussi les changements à effectuer pour simuler, par exemple, des flots de voitures.
Comme le titre l'indique assez clairement, le contenu est matheux : pour chaque modèle, les auteurs proposent une mise en équation (en vue d'effectuer des simulations numériques), mais analysent aussi ses propriétés mathématiques (existence et unicité de la solution, par exemple). Ces propriétés sont régulièrement remises en contexte (impact lors d'une simulation d'une non-unicité de solution, par exemple). Ils discutent aussi des phénomènes qui peuvent être mis en évidence par ces modèles, comme le fait que ralentir une foule peut augmenter le nombre de personnes que l'on fait passer par une sortie de secours par seconde (l'effet slower is faster). Les modèles abstraits utilisent un certain nombre de paramètres, mais des valeurs habituelles pour la simulation de piétons sont données. Un chapitre fait le lien entre les expériences du domaine (où l'on demande à une foule de se déplacer), les observations faites sur des situations réelles et les modèles mathématiques : il s'agit réellement de mathématiques appliquées, en lien direct avec la pratique.
Le niveau mathématique requis pour les lecteurs est assez élevé : sans connaissances de base en analyse réelle et en équations différentielles, par exemple, on ne profitera pas beaucoup du contenu. Les analyses des méthodes font souvent appel à des notions de stabilité (fonction de Liapounov) ou à la méthode des perturbations infinitésimales, des sujets qui ne sont presque pas abordés dans l'annexe ou explicités comme prérequis.
On peut toutefois reprocher des notations pas toujours limpides (comme un même symbole qui désigne un scalaire ou un vecteur, selon la section, voire des quantités sans aucun rapport : distance entre deux personnes ou distance par rapport à une situation d'équilibre). Le code fourni avec le livre n'a été développé que dans le contexte de cet ouvrage, il ne s'agit pas d'une bibliothèque utilisée au jour le jour par des chercheurs ou praticiens du domaine.
Comme le titre l'indique assez clairement, le contenu est matheux : pour chaque modèle, les auteurs proposent une mise en équation (en vue d'effectuer des simulations numériques), mais analysent aussi ses propriétés mathématiques (existence et unicité de la solution, par exemple). Ces propriétés sont régulièrement remises en contexte (impact lors d'une simulation d'une non-unicité de solution, par exemple). Ils discutent aussi des phénomènes qui peuvent être mis en évidence par ces modèles, comme le fait que ralentir une foule peut augmenter le nombre de personnes que l'on fait passer par une sortie de secours par seconde (l'effet slower is faster). Les modèles abstraits utilisent un certain nombre de paramètres, mais des valeurs habituelles pour la simulation de piétons sont données. Un chapitre fait le lien entre les expériences du domaine (où l'on demande à une foule de se déplacer), les observations faites sur des situations réelles et les modèles mathématiques : il s'agit réellement de mathématiques appliquées, en lien direct avec la pratique.
Le niveau mathématique requis pour les lecteurs est assez élevé : sans connaissances de base en analyse réelle et en équations différentielles, par exemple, on ne profitera pas beaucoup du contenu. Les analyses des méthodes font souvent appel à des notions de stabilité (fonction de Liapounov) ou à la méthode des perturbations infinitésimales, des sujets qui ne sont presque pas abordés dans l'annexe ou explicités comme prérequis.
On peut toutefois reprocher des notations pas toujours limpides (comme un même symbole qui désigne un scalaire ou un vecteur, selon la section, voire des quantités sans aucun rapport : distance entre deux personnes ou distance par rapport à une situation d'équilibre). Le code fourni avec le livre n'a été développé que dans le contexte de cet ouvrage, il ne s'agit pas d'une bibliothèque utilisée au jour le jour par des chercheurs ou praticiens du domaine.
Commenter
Signaler un problème
Crowds in Equations
An Introduction to the Microscopic Modeling of Crowds
An Introduction to the Microscopic Modeling of Crowds
The book contains self-contained descriptions of existing models, accompanied by critical analyses of their properties both from a theoretical and practical standpoint. It aims to develop 'modeling skills' within the readers, giving them the ability to develop their own models and improve existing ones. Written in connection with a full, open source Python Library, this project also enables readers to run the simulations discussed within the text.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Database Internals
A Deep Dive into How Distributed Data Systems Work
de Alex Petrov
Public visé :
Intermédiaire
Résumé de l'éditeur
When it comes to choosing, using, and maintaining a database, understanding its internals is essential. But with so many distributed databases and tools available today, it’s often difficult to understand what each one offers and how they differ. With this practical guide, Alex Petrov guides developers through the concepts behind modern database and storage engine internals.
Throughout the book, you’ll explore relevant material gleaned from numerous books, papers, blog posts, and the source code of several open source databases. These resources are listed at the end of parts one and two. You’ll discover that the most significant distinctions among many modern databases reside in subsystems that determine how storage is organized and how data is distributed.
This book examines:
Throughout the book, you’ll explore relevant material gleaned from numerous books, papers, blog posts, and the source code of several open source databases. These resources are listed at the end of parts one and two. You’ll discover that the most significant distinctions among many modern databases reside in subsystems that determine how storage is organized and how data is distributed.
This book examines:
- Storage engines: Explore storage classification and taxonomy, and dive into B-Tree-based and immutable Log Structured storage engines, with differences and use-cases for each
- Storage building blocks: Learn how database files are organized to build efficient storage, using auxiliary data structures such as Page Cache, Buffer Pool and Write-Ahead Log
- Distributed systems: Learn step-by-step how nodes and processes connect and build complex communication patterns
- Database clusters: Which consistency models are commonly used by modern databases and how distributed storage systems achieve consistency
Édition : O'Reilly - 376 pages, 1re édition, 15 octobre 2019
ISBN10 : 1492040347 - ISBN13 : 9781492040347
Storage Engines
Introduction and Overview
B-Tree Basics
File Formats
Implementing B-Trees
Transaction Processing and Recovery
B-Tree Variants
Log-Structured Storage
Part I Conclusion
Distributed Systems
Introduction and Overview
Failure Detection
Leader Election
Replication and Consistency
Anti-Entropy and Dissemination
Distributed Transactions
Consensus
Part II Conclusion
Introduction and Overview
B-Tree Basics
File Formats
Implementing B-Trees
Transaction Processing and Recovery
B-Tree Variants
Log-Structured Storage
Part I Conclusion
Distributed Systems
Introduction and Overview
Failure Detection
Leader Election
Replication and Consistency
Anti-Entropy and Dissemination
Distributed Transactions
Consensus
Part II Conclusion
Comment fonctionnent les systèmes de gestion de base de données actuels ? Bon nombre de gens les utilisent sans vraiment vouloir entrer dans les détails, mais ceux qui veulent lever le voile n'ont pas vraiment une pléthore de ressources pour le faire. C'est un manque que l'auteur vient ici combler, avec une présentation générale de toutes les techniques utilisées actuellement pour implémenter de tels systèmes, qu'ils soient relationnels ou pas. Deux grands sujets sont explorés : le stockage de données sur disque et les systèmes distribués, chacun occupant approximativement la moitié de l'ouvrage.
L'auteur considère simultanément deux points de vue, celui de l'utilisateur (comment le système fonctionne-t-il ?) et celui du développeur (comment concevoir un nouveau système de base de données ?). Il explicite ainsi les choix à faire lors du développement et donne les avantages et inconvénients des décisions posées par des systèmes existants.
Les bases de données ont une structure particulière pour obtenir une très bonne performance, puisque la conception d'un tel système requiert de penser à un très haut niveau d'abstraction (le type de requête habituel), mais aussi à un très bas niveau (le fonctionnement des disques durs et des SSD pour optimiser la représentation physique des données). L'auteur passe avec aisance d'un niveau d'abstraction à l'autre et explicite les liens nécessaires.
Bien évidemment, tous les concepts utilisés dans l'implémentation des bases de données actuelles ne sont pas passés en détail, notamment la gestion des requêtes et leur optimisation (un sujet déjà traité dans la littérature sur les compilateurs, par exemple). L'auteur a préféré étudier en profondeur les sujets pour lesquels il n'existe pas encore d'ouvrage de référence.
Les chapitres sont organisés de telle sorte qu'on puisse les utiliser comme une référence, mais aussi découvrir ces sujets progressivement. Pour approfondir, l'auteur n'hésite pas à fournir une abondante bibliographie (y compris du code source de certains logiciels de base de données).
L'auteur considère simultanément deux points de vue, celui de l'utilisateur (comment le système fonctionne-t-il ?) et celui du développeur (comment concevoir un nouveau système de base de données ?). Il explicite ainsi les choix à faire lors du développement et donne les avantages et inconvénients des décisions posées par des systèmes existants.
Les bases de données ont une structure particulière pour obtenir une très bonne performance, puisque la conception d'un tel système requiert de penser à un très haut niveau d'abstraction (le type de requête habituel), mais aussi à un très bas niveau (le fonctionnement des disques durs et des SSD pour optimiser la représentation physique des données). L'auteur passe avec aisance d'un niveau d'abstraction à l'autre et explicite les liens nécessaires.
Bien évidemment, tous les concepts utilisés dans l'implémentation des bases de données actuelles ne sont pas passés en détail, notamment la gestion des requêtes et leur optimisation (un sujet déjà traité dans la littérature sur les compilateurs, par exemple). L'auteur a préféré étudier en profondeur les sujets pour lesquels il n'existe pas encore d'ouvrage de référence.
Les chapitres sont organisés de telle sorte qu'on puisse les utiliser comme une référence, mais aussi découvrir ces sujets progressivement. Pour approfondir, l'auteur n'hésite pas à fournir une abondante bibliographie (y compris du code source de certains logiciels de base de données).
Commenter
Signaler un problème
Database Internals
A Deep Dive into How Distributed Data Systems Work
A Deep Dive into How Distributed Data Systems Work
When it comes to choosing, using, and maintaining a database, understanding its internals is essential. But with so many distributed databases and tools available today, it’s often difficult to understand what each one offers and how they differ. With this practical guide, Alex Petrov guides developers through the concepts behind modern database and storage engine internals.
Throughout the book, you’ll explore relevant material gleaned from numerous books, papers, blog posts, and the source code of several open source databases. These resources are listed at the end of parts one and two. You’ll discover that the most significant distinctions among many modern databases reside in subsystems that determine how storage is organized and how data is distributed.
This book examines:
[Lire la suite]
Throughout the book, you’ll explore relevant material gleaned from numerous books, papers, blog posts, and the source code of several open source databases. These resources are listed at the end of parts one and two. You’ll discover that the most significant distinctions among many modern databases reside in subsystems that determine how storage is organized and how data is distributed.
This book examines:
- Storage engines: Explore storage classification and taxonomy, and dive into B-Tree-based and immutable Log Structured storage engines, with differences and use-cases for each
- Storage building blocks: Learn how database files are organized to build efficient storage, using auxiliary data structures such as Page Cache, Buffer Pool and Write-Ahead Log
- Distributed systems: Learn step-by-step how nodes and processes connect and build complex communication patterns
- Database clusters: Which consistency models are commonly used by modern databases and how distributed storage systems achieve consistency
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Network Flow Algorithms
de David P. Williamson
Public visé :
Débutant
Résumé de l'éditeur
Network flow theory has been used across a number of disciplines, including theoretical computer science, operations research, and discrete math, to model not only problems in the transportation of goods and information, but also a wide range of applications from image segmentation problems in computer vision to deciding when a baseball team has been eliminated from contention.
This graduate text and reference presents a succinct, unified view of a wide variety of efficient combinatorial algorithms for network flow problems, including many results not found in other books. It covers maximum flows, minimum-cost flows, generalized flows, multicommodity flows, and global minimum cuts and also presents recent work on computing electrical flows along with recent applications of these flows to classical problems in network flow theory.
This graduate text and reference presents a succinct, unified view of a wide variety of efficient combinatorial algorithms for network flow problems, including many results not found in other books. It covers maximum flows, minimum-cost flows, generalized flows, multicommodity flows, and global minimum cuts and also presents recent work on computing electrical flows along with recent applications of these flows to classical problems in network flow theory.
Édition : Cambridge University Press - 326 pages, 1re édition, 20 août 2019
ISBN10 : 1316636836 - ISBN13 : 9781316636831
Preliminaries: Shortest Path Algorithms
Maximum Flow Algorithms
Global Minimum Cut Algorithms
More Maximum Flow Algorithms
Minimum-Cost Circulation Algorithms
Generalized Flow Algorithms
Multicommodity Flow Algorithms
Electrical Flow Algorithms
Open Questions
Maximum Flow Algorithms
Global Minimum Cut Algorithms
More Maximum Flow Algorithms
Minimum-Cost Circulation Algorithms
Generalized Flow Algorithms
Multicommodity Flow Algorithms
Electrical Flow Algorithms
Open Questions
Les algorithmes de flot sont très utilisés en recherche opérationnelle. Souvent, le domaine est perçu comme statique, alors que les développements théoriques et pratiques continuent sans cesse. Cet ouvrage assez succinct présente néanmoins le sujet de recherche dans ses aspects fondamentaux. L'auteur a fait le choix de ne traiter que les algorithmes polynomiaux (exacts ou approchés), afin de garder un livre assez bref. Par ailleurs, un autre choix posé est celui des preuves incluses : elles peuvent toutes être expliquées en moins d'une heure de cours (l'auteur en ayant fait l'expérience). On peut aussi remarquer le soin apporté pour indiquer les structures de données les plus efficaces pour implémenter les algorithmes donnés.
Le premier chapitre démarre sur les chapeaux de roues, avec directement des algorithmes de calcul de plus court chemin dans un graphe, afin d'expliciter des notions qui reviendront régulièrement dans la suite, comme l'étiquetage des nœuds ou la détection de cycle. Par conséquent, le livre est réservé à un public déjà averti des algorithmes sur des graphes… et ouvert aux mathématiques. De fait, l'ouvrage comporte un nombre très élevé de preuves (déjà une vingtaine dans le premier chapitre, une cinquantaine dans le second !), qui en constituent le cœur. Il n'empêche que l'auteur a toujours à cœur de d'abord passer par des raisonnements intuitifs avant de formaliser. Aussi, le contenu reste, en bonne partie, très abstrait : il s'agit de raisonner sur des graphes génériques, pas sur des applications particulières, a priori en totale déconnexion avec la pratique du domaine (sauf en début et fin de livre).
On peut regretter que certains sujets ne soient pas abordés, comme les plus courts chemins avec des contraintes de ressources ces derniers sont extrêmement utiles pour la résolution de problèmes réels de logistique ou de réseau (avec des techniques de génération de colonnes), mais restent à peine abordés. L'utilité de la dualité n'est pas vraiment explicitée, alors qu'elle revient très régulièrement (bon nombre d'algorithmes travaillent sur le dual du problème présenté). De même, les méthodes de point intérieur sont très souvent citées, parfois très légèrement abordées dans les notes de fin de chapitre, mais jamais vraiment décrites dans l'ouvrage, alors que bon nombre de résultats récents les utilisent abondamment.
Le premier chapitre démarre sur les chapeaux de roues, avec directement des algorithmes de calcul de plus court chemin dans un graphe, afin d'expliciter des notions qui reviendront régulièrement dans la suite, comme l'étiquetage des nœuds ou la détection de cycle. Par conséquent, le livre est réservé à un public déjà averti des algorithmes sur des graphes… et ouvert aux mathématiques. De fait, l'ouvrage comporte un nombre très élevé de preuves (déjà une vingtaine dans le premier chapitre, une cinquantaine dans le second !), qui en constituent le cœur. Il n'empêche que l'auteur a toujours à cœur de d'abord passer par des raisonnements intuitifs avant de formaliser. Aussi, le contenu reste, en bonne partie, très abstrait : il s'agit de raisonner sur des graphes génériques, pas sur des applications particulières, a priori en totale déconnexion avec la pratique du domaine (sauf en début et fin de livre).
On peut regretter que certains sujets ne soient pas abordés, comme les plus courts chemins avec des contraintes de ressources ces derniers sont extrêmement utiles pour la résolution de problèmes réels de logistique ou de réseau (avec des techniques de génération de colonnes), mais restent à peine abordés. L'utilité de la dualité n'est pas vraiment explicitée, alors qu'elle revient très régulièrement (bon nombre d'algorithmes travaillent sur le dual du problème présenté). De même, les méthodes de point intérieur sont très souvent citées, parfois très légèrement abordées dans les notes de fin de chapitre, mais jamais vraiment décrites dans l'ouvrage, alors que bon nombre de résultats récents les utilisent abondamment.
Commenter
Signaler un problème
Network Flow Algorithms
Network flow theory has been used across a number of disciplines, including theoretical computer science, operations research, and discrete math, to model not only problems in the transportation of goods and information, but also a wide range of applications from image segmentation problems in computer vision to deciding when a baseball team has been eliminated from contention.
This graduate text and reference presents a succinct, unified view of a wide variety of efficient combinatorial algorithms for network flow problems, including many results not found in other books. It covers maximum flows, minimum-cost flows, generalized flows, multicommodity flows, and global minimum cuts and also presents recent work on computing electrical flows along with recent applications of these flows to classical problems in network flow theory.
[Lire la suite]
This graduate text and reference presents a succinct, unified view of a wide variety of efficient combinatorial algorithms for network flow problems, including many results not found in other books. It covers maximum flows, minimum-cost flows, generalized flows, multicommodity flows, and global minimum cuts and also presents recent work on computing electrical flows along with recent applications of these flows to classical problems in network flow theory.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (0)
0 commentaire
Kernelization
Theory of Parameterized Preprocessing
de Fedor V. Fomin, Daniel Lokshtanov, Saket Saurabh, Meirav Zehavi
Public visé :
Expert
Résumé de l'éditeur
Preprocessing, or data reduction, is a standard technique for simplifying and speeding up computation. Written by a team of experts in the field, this book introduces a rapidly developing area of preprocessing analysis known as kernelization. The authors provide an overview of basic methods and important results, with accessible explanations of the most recent advances in the area, such as meta-kernelization, representative sets, polynomial lower bounds, and lossy kernelization. The text is divided into four parts, which cover the different theoretical aspects of the area: upper bounds, meta-theorems, lower bounds, and beyond kernelization. The methods are demonstrated through extensive examples using a single data set. Written to be self-contained, the book only requires a basic background in algorithmics and will be of use to professionals, researchers and graduate students in theoretical computer science, optimization, combinatorics, and related fields.
Édition : Cambridge University Press - 528 pages, 1re édition, 10 janvier 2019
ISBN10 : 1107057760 - ISBN13 : 9781107057760
What Is a Kernel?
Upper Bounds
Warm Up
Inductive Priorities
Crown Decomposition
Expansion Lemma
Linear Programming
Hypertrees
Sunflower Lemma
Modules
Matroids
Representative Families
Greedy Packing
Euler's Formula
Meta Theorems
Introduction to Treewidth
Bidimensionality and Protrusions
Surgery on Graphs
Lower Bounds
Framework
Instance Selectors
Polynomial Parameter Transformation
Polynomial Lower Bounds
Extending Distillation
Beyond Kernelization
Turing Kernelization
Lossy Kernelization
Upper Bounds
Warm Up
Inductive Priorities
Crown Decomposition
Expansion Lemma
Linear Programming
Hypertrees
Sunflower Lemma
Modules
Matroids
Representative Families
Greedy Packing
Euler's Formula
Meta Theorems
Introduction to Treewidth
Bidimensionality and Protrusions
Surgery on Graphs
Lower Bounds
Framework
Instance Selectors
Polynomial Parameter Transformation
Polynomial Lower Bounds
Extending Distillation
Beyond Kernelization
Turing Kernelization
Lossy Kernelization
Aucune critique n'a été faite pour l'instant
Commenter
Signaler un problème
Kernelization
Theory of Parameterized Preprocessing
Theory of Parameterized Preprocessing
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
1 commentaire
Algorithms Illuminated: Greedy Algorithms and Dynamic Programming
de Tim Roughgarden
Public visé :
Débutant
Résumé de l'éditeur
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes hints or solutions to all quizzes and problems, and a series of YouTube videos by the author accompanies the book. Part 3 covers greedy algorithms (scheduling, minimum spanning trees, clustering, Huffman codes) and dynamic programming (knapsack, sequence alignment, shortest paths, optimal search trees).
Édition : Soundlikeyourself Publishing - 229 pages, 1re édition, 1er mai 2019
ISBN10 : 0999282948 - ISBN13 : 9780999282946
Introduction to Greedy Algorithms
Huffman Codes
Minimum Spanning Trees
Introduction to Dynamic Programming
Advanced Dynamic Programming
Shortest Paths Revisited
Epilogue: A Field Guide to Algorithm Design
Huffman Codes
Minimum Spanning Trees
Introduction to Dynamic Programming
Advanced Dynamic Programming
Shortest Paths Revisited
Epilogue: A Field Guide to Algorithm Design
L'algorithmique est un sujet indispensable pour toute formation de développeur informatique. Ce troisième tome s'intéresse à la manière de concevoir de nouveaux algorithmes selon deux paradigmes : les algorithmes gloutons et la programmation dynamique. Ce livre se place dans la lignée des deux premiers de la série, avec un approfondissement des sujets : par exemple, le deuxième tome abordait les graphes, le troisième présente l'algorithme de Bellman-Ford pour le calcul de plus courts chemins. La lecture des deux premiers ouvrages n'est pas absolument nécessaire, si toutefois vous en avez acquis les bases (aucune annexe ne résume les éléments essentiels) ; certaines connaissances en algorithmique sont requises pour profiter de ce livre.
L'auteur continue avec son parti pris d'un texte clair, épuré, accessible au plus grand nombre. Malgré le niveau technique plus avancé que dans les deux premiers tomes, les explications restent claires et faciles à suivre. Cette troisième partie de la série contient presque exclusivement des exemples des deux techniques de conception d'algorithmes, notamment avec les algorithmes les plus connus et utiles (on a déjà cité Bellman-Ford, il ne faut pas oublier les codes de Huffman, les algorithmes de Prim, de Kruskal, de Floyd-Warshall pour les graphes). Elle s'oriente encore plus vers des applications, mais aussi de la recherche (avec quelques références vers des articles parfois très récents — 2018).
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. Tim Roughgarden en a réutilisé certaines ressources pour le compléter. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des tests plus compliqués en ligne ainsi que des vidéos.
L'auteur continue avec son parti pris d'un texte clair, épuré, accessible au plus grand nombre. Malgré le niveau technique plus avancé que dans les deux premiers tomes, les explications restent claires et faciles à suivre. Cette troisième partie de la série contient presque exclusivement des exemples des deux techniques de conception d'algorithmes, notamment avec les algorithmes les plus connus et utiles (on a déjà cité Bellman-Ford, il ne faut pas oublier les codes de Huffman, les algorithmes de Prim, de Kruskal, de Floyd-Warshall pour les graphes). Elle s'oriente encore plus vers des applications, mais aussi de la recherche (avec quelques références vers des articles parfois très récents — 2018).
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. Tim Roughgarden en a réutilisé certaines ressources pour le compléter. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des tests plus compliqués en ligne ainsi que des vidéos.
Commenter
Signaler un problème
Algorithms Illuminated: Greedy Algorithms and Dynamic Programming
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes hints or solutions to all quizzes and problems, and a series of YouTube videos by the author accompanies the book. Part 3 covers greedy algorithms (scheduling, minimum spanning trees, clustering, Huffman codes) and dynamic programming (knapsack, sequence alignment, shortest paths, optimal search trees).
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
5 commentaires
Algorithms Illuminated: Graph Algorithms and Data Structures
de Tim Roughgarden
Public visé :
Débutant
Résumé de l'éditeur
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes solutions to all quizzes and selected problems, and a series of YouTube videos by the author accompanies the book. Part 2 covers graph search and its applications, shortest-path algorithms, and the applications and implementation of several data structures: heaps, search trees, hash tables, and bloom filters. (Part 1 is not a prerequisite.)
Édition : Soundlikeyourself Publishing - 221 pages, 1re édition, 5 août 2018
ISBN10 : 0999282921 - ISBN13 : 9780999282922
Graphs: The Basics
Graph Search and Its Application
Dijkstra's Shortest-Path Algorithm
The Heap Data Structure
Search Trees
Hash Tables and Bloom Filters
Quick Review of Asymptotic Notation
Graph Search and Its Application
Dijkstra's Shortest-Path Algorithm
The Heap Data Structure
Search Trees
Hash Tables and Bloom Filters
Quick Review of Asymptotic Notation
L'algorithmique est un sujet indispensable pour toute formation de développeur informatique, notamment sa partie sur les structures de données. Ce deuxième tome se focalise sur cette notion (ainsi que sur les graphes) et montre à quel point un bon choix de structure de données permet de réduire la complexité d'un algorithme. Il suit de manière très naturelle le premier (bases de l'algorithmique), sans toutefois en nécessiter la lecture : si vous avez de vieilles bases en algorithmique, vous pourrez probablement passer directement à ce deuxième volume pour vous remettre à jour (au cas où vos souvenirs seraient trop émoussés, une annexe résume — forcément brièvement — les éléments essentiels). Les plus débutants devraient cependant plutôt débuter par le premier livre, avec des explications des concepts de complexité bien plus poussées. Cette division en deux volumes fait d'ailleurs que certains éléments sont répétés par rapport au premier tome (comme la justification du pseudocode ou la définition du tri, ainsi que certains traits d'humour).
Comme dans le premier tome, l'auteur prend le parti d'un texte clair, épuré, accessible au plus grand nombre (on peut apprécier la quantité d'illustrations pour les algorithmes de traversée de graphes, pas toujours les plus intuitifs quand on débute dans le domaine). À nouveau, il se focalise sur les éléments les plus importants du sujet. Notamment, seul l'algorithme de Dijkstra pour les plus courts chemins est détaillé dans le livre (pas de Bellman-Ford ou d'A*). Un autre exemple, peut-être plus litigieux, est celui des structures de données de base, puisque l'auteur considère que le lecteur est parfaitement au courant des propriétés et de la manipulation des tableaux, des listes liées, des files et des piles.
Plus que le premier tome, ce deuxième volume se rapproche des applications pratiques. Les algorithmes présentés semblent moins utiles, mais seulement à première vue. L'auteur met toujours les algorithmes en contexte, justifie leur besoin réel. Ainsi, les algorithmes travaillant sur des graphes sont présentés en même temps que leurs applications dans les réseaux ou la planification. Ce côté appliqué se montre aussi dans la structure des chapitres sur les structures de données : le praticien doit surtout connaître les opérations principales des structures de données, leur complexité, mais pas forcément leur implémentation. L'auteur sépare ainsi la spécification de la structure de données des techniques d'implémentation.
L'organisation des chapitres peut sembler un peu contre-intuitive, avec d'abord les graphes et puis les structures de données. Elle a le grand avantage de justifier le besoin en structures de données par la pratique, par la recherche d'algorithmes efficaces pour des besoins concrets (pas vraiment académiques). On peut regretter que ce tome soit autant lié à la série pour certains aspects : l'algorithme de Dijkstra n'est pas l'algorithme le plus générique pour les plus courts chemins, mais il est le seul présenté ici. Il faudra attendre le troisième tome pour découvrir l'algorithme de Bellman-Ford, dans le cadre de la programmation dynamique (peu après avoir lié celui de Dijkstra aux algorithmes gloutons).
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. L'auteur en a réutilisé certaines ressources pour le compléter. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des tests plus compliqués en ligne ainsi que des vidéos.
Comme dans le premier tome, l'auteur prend le parti d'un texte clair, épuré, accessible au plus grand nombre (on peut apprécier la quantité d'illustrations pour les algorithmes de traversée de graphes, pas toujours les plus intuitifs quand on débute dans le domaine). À nouveau, il se focalise sur les éléments les plus importants du sujet. Notamment, seul l'algorithme de Dijkstra pour les plus courts chemins est détaillé dans le livre (pas de Bellman-Ford ou d'A*). Un autre exemple, peut-être plus litigieux, est celui des structures de données de base, puisque l'auteur considère que le lecteur est parfaitement au courant des propriétés et de la manipulation des tableaux, des listes liées, des files et des piles.
Plus que le premier tome, ce deuxième volume se rapproche des applications pratiques. Les algorithmes présentés semblent moins utiles, mais seulement à première vue. L'auteur met toujours les algorithmes en contexte, justifie leur besoin réel. Ainsi, les algorithmes travaillant sur des graphes sont présentés en même temps que leurs applications dans les réseaux ou la planification. Ce côté appliqué se montre aussi dans la structure des chapitres sur les structures de données : le praticien doit surtout connaître les opérations principales des structures de données, leur complexité, mais pas forcément leur implémentation. L'auteur sépare ainsi la spécification de la structure de données des techniques d'implémentation.
L'organisation des chapitres peut sembler un peu contre-intuitive, avec d'abord les graphes et puis les structures de données. Elle a le grand avantage de justifier le besoin en structures de données par la pratique, par la recherche d'algorithmes efficaces pour des besoins concrets (pas vraiment académiques). On peut regretter que ce tome soit autant lié à la série pour certains aspects : l'algorithme de Dijkstra n'est pas l'algorithme le plus générique pour les plus courts chemins, mais il est le seul présenté ici. Il faudra attendre le troisième tome pour découvrir l'algorithme de Bellman-Ford, dans le cadre de la programmation dynamique (peu après avoir lié celui de Dijkstra aux algorithmes gloutons).
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. L'auteur en a réutilisé certaines ressources pour le compléter. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des tests plus compliqués en ligne ainsi que des vidéos.
Commenter
Signaler un problème
N'hésitez pas à aller lire ma critique 
.
.Algorithms Illuminated: Graph Algorithms and Data Structures
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes solutions to all quizzes and selected problems, and a series of YouTube videos by the author accompanies the book. Part 2 covers graph search and its applications, shortest-path algorithms, and the applications and implementation of several data structures: heaps, search trees, hash tables, and bloom filters. (Part 1 is not a prerequisite.)
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
peut on le télécharger en pdf ??
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Algorithms Illuminated: The Basics
de Tim Roughgarden
Public visé :
Débutant
Résumé de l'éditeur
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes solutions to all quizzes and selected problems, and a series of YouTube videos by the author accompanies the book. Part 1 covers asymptotic analysis and big-O notation, divide-and-conquer algorithms and the master method, randomized algorithms, and several famous algorithms for sorting and selection.
Édition : Soundlikeyourself Publishing - 218 pages, 1re édition, 27 septembre 2017
ISBN10 : 0999282905 - ISBN13 : 9780999282908
Introduction
Asymptotic Notation
Divide-and-Conquer Algorithms
The Master Method
QuickSort
Linear-Time Selection
Quick Review of Proofs By Induction
Quick Review of Discrete Probability
Asymptotic Notation
Divide-and-Conquer Algorithms
The Master Method
QuickSort
Linear-Time Selection
Quick Review of Proofs By Induction
Quick Review of Discrete Probability
L'algorithmique est un sujet indispensable pour toute formation de développeur informatique et c'est (malheureusement ou non) souvent un sujet testé lors des interviews de code des grandes entreprises. Cependant, la matière est souvent enseignée de manière très rigide et rarement accessible au plus grand nombre, y compris en début de cursus (l'algorithmique est parfois considérée comme un sujet éliminatoire par les enseignants).
Ce livre propose un autre angle de vue sur le sujet : le texte est clair, pas encombré de termes techniques inutiles. Le contenu est abordé de manière progressive et intégrée (les notations asymptotiques ne sont pas détaillées de manière abstraite, mais dans le concret d'un algorithme). L'auteur a fait le choix de présenter relativement peu d'algorithmes (aucun algorithme de tri ne nécessite de structure de données comme le monceau), ce qui lui permet d'entrer dans les détails. Chacun est d'ailleurs placé dans un vrai contexte avec des problèmes réels où cet algorithme peut être utilisé. Chaque chapitre est terminé par un petit encadré résumant les notions les plus importantes abordées dans ce chapitre.
L'un des choix posés lors de la rédaction a été une complète indépendance vis-à-vis du langage de programmation. D'un côté, cela rend le livre plus abstrait et légèrement moins accessible. De l'autre, cela permet d'éviter les complexités liées à la syntaxe d'un langage de programmation (le lecteur est d'ailleurs supposé déjà savoir programmer dans un langage, c'est presque le seul prérequis — avec un petit peu de mathématiques). Les intrications mathématiques sont limitées au maximum, afin d'élargir le public visé. Certains sujets nécessitent plus d'écritures mathématiques, mais ils sont clairement indiqués comme tels et ne sont pas nécessaires à la bonne compréhension globale de l'ouvrage.
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. Ce premier tome parle d'algorithmique en général, sans entrer dans les détails de structures de données : il se limite à quelques algorithmes de tri (le tri rapide ayant droit à son propre chapitre bien détaillé). L'auteur a d'ailleurs réutilisé certaines des ressources de ces cours pour compléter le livre. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des données de test plus compliquées en ligne ainsi que des vidéos.
En résumé, je trouve que ce livre est une très bonne introduction au sujet de l'algorithmique. Il conviendra très bien aux plus débutants et à ceux que le domaine rebute. Par contre, il faudra le compléter par d'autres livres pour approfondir.
Ce livre propose un autre angle de vue sur le sujet : le texte est clair, pas encombré de termes techniques inutiles. Le contenu est abordé de manière progressive et intégrée (les notations asymptotiques ne sont pas détaillées de manière abstraite, mais dans le concret d'un algorithme). L'auteur a fait le choix de présenter relativement peu d'algorithmes (aucun algorithme de tri ne nécessite de structure de données comme le monceau), ce qui lui permet d'entrer dans les détails. Chacun est d'ailleurs placé dans un vrai contexte avec des problèmes réels où cet algorithme peut être utilisé. Chaque chapitre est terminé par un petit encadré résumant les notions les plus importantes abordées dans ce chapitre.
L'un des choix posés lors de la rédaction a été une complète indépendance vis-à-vis du langage de programmation. D'un côté, cela rend le livre plus abstrait et légèrement moins accessible. De l'autre, cela permet d'éviter les complexités liées à la syntaxe d'un langage de programmation (le lecteur est d'ailleurs supposé déjà savoir programmer dans un langage, c'est presque le seul prérequis — avec un petit peu de mathématiques). Les intrications mathématiques sont limitées au maximum, afin d'élargir le public visé. Certains sujets nécessitent plus d'écritures mathématiques, mais ils sont clairement indiqués comme tels et ne sont pas nécessaires à la bonne compréhension globale de l'ouvrage.
Ce livre fait partie d'une série de quatre et il est extrait de cours en ligne donnés par l'auteur. Ce premier tome parle d'algorithmique en général, sans entrer dans les détails de structures de données : il se limite à quelques algorithmes de tri (le tri rapide ayant droit à son propre chapitre bien détaillé). L'auteur a d'ailleurs réutilisé certaines des ressources de ces cours pour compléter le livre. On y retrouve donc l'un ou l'autre quiz (avec des solutions très détaillées) et des problèmes (la plupart ayant une solution explicitée dans le livre), mais aussi des données de test plus compliquées en ligne ainsi que des vidéos.
En résumé, je trouve que ce livre est une très bonne introduction au sujet de l'algorithmique. Il conviendra très bien aux plus débutants et à ceux que le domaine rebute. Par contre, il faudra le compléter par d'autres livres pour approfondir.
Commenter
Signaler un problème
Algorithms Illuminated: The Basics
Accessible, no-nonsense, and programming language-agnostic introduction to algorithms. Includes solutions to all quizzes and selected problems, and a series of YouTube videos by the author accompanies the book. Part 1 covers asymptotic analysis and big-O notation, divide-and-conquer algorithms and the master method, randomized algorithms, and several famous algorithms for sorting and selection.
[Lire la suite]
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Natural Language Processing with PyTorch
Build Intelligent Language Applications Using Deep Learning
de Delip Rao, Brian McMahan
Public visé :
Débutant
Résumé de l'éditeur
Natural Language Processing (NLP) provides boundless opportunities for solving problems in artificial intelligence, making products such as Amazon Alexa and Google Translate possible. If you’re a developer or data scientist new to NLP and deep learning, this practical guide shows you how to apply these methods using PyTorch, a Python-based deep learning library.
Authors Delip Rao and Brian McMahon provide you with a solid grounding in NLP and deep learning algorithms and demonstrate how to use PyTorch to build applications involving rich representations of text specific to the problems you face. Each chapter includes several code examples and illustrations.
Authors Delip Rao and Brian McMahon provide you with a solid grounding in NLP and deep learning algorithms and demonstrate how to use PyTorch to build applications involving rich representations of text specific to the problems you face. Each chapter includes several code examples and illustrations.
- Explore computational graphs and the supervised learning paradigm
- Master the basics of the PyTorch optimized tensor manipulation library
- Get an overview of traditional NLP concepts and methods
- Learn the basic ideas involved in building neural networks
- Use embeddings to represent words, sentences, documents, and other features
- Explore sequence prediction and generate sequence-to-sequence models
- Learn design patterns for building production NLP systems
Édition : O'Reilly - 256 pages, 1re édition, 5 février 2019
ISBN10 : 1491978236 - ISBN13 : 9781491978238
Chapter 1. Introduction
Chapter 2. A Quick Tour of Traditional NLP
Chapter 3. Foundational Components of Neural Networks
Chapter 4. Feed-Forward Networks for Natural Language Processing
Chapter 5. Embedding Words and Types
Chapter 6. Sequence Modeling for Natural Language Processing
Chapter 7. Intermediate Sequence Modeling for Natural Language Processing
Chapter 8. Advanced Sequence Modeling for Natural Language Processing
Chapter 9. Classics, Frontiers, and Next Steps
Chapter 2. A Quick Tour of Traditional NLP
Chapter 3. Foundational Components of Neural Networks
Chapter 4. Feed-Forward Networks for Natural Language Processing
Chapter 5. Embedding Words and Types
Chapter 6. Sequence Modeling for Natural Language Processing
Chapter 7. Intermediate Sequence Modeling for Natural Language Processing
Chapter 8. Advanced Sequence Modeling for Natural Language Processing
Chapter 9. Classics, Frontiers, and Next Steps
Cet ouvrage montre comment mettre en œuvre PyTorch, bibliothèque Python d’apprentissage machine, au travers du traitement du langage naturel humain. Il s’adresse à un public assez large et à la recherche d’une initiation, mais une solide connaissance du langage Python est requise.
Le livre se compose de 9 chapitres organisés de sorte à rendre la lecture progressive.
Une bonne moitié du livre concerne un tour d’horizon de la structure du langage naturel puis de l’apprentissage par réseau de neurones, perceptron, perceptron multicouches, réseau de neurones à convolution, sachant que la théorie mathématique sous-jacente n’est pas abordée, il s’agit ici de montrer comment l’on se sert de Pytorch.
Puis viennent les chapitres traitant de la vectorisation des mots dans une phrase, des méthodes d’optimisation pour l’apprentissage supervisé ou non, du séquençage des données, de leur prédiction et de leur étiquetage et enfin, des perspectives et limites du thème.
Le sujet est bien expliqué et les exemples de code suffisamment nombreux pour permettre de bien assimiler les principes. On se sent vraiment guidé jusqu’à la fin. J’ai trouvé intéressant le parallèle fait avec le langage naturel et en résumé, je dirai que le livre est un bon complément aux tutoriels qu’on retrouve sur internet et qu’il apporte un plus, notamment parce qu’il permet de s’inspirer de la méthode employée par les auteurs.
Tous les extraits de code publiés dans le livre sont disponibles sur un github.
Le livre se compose de 9 chapitres organisés de sorte à rendre la lecture progressive.
Une bonne moitié du livre concerne un tour d’horizon de la structure du langage naturel puis de l’apprentissage par réseau de neurones, perceptron, perceptron multicouches, réseau de neurones à convolution, sachant que la théorie mathématique sous-jacente n’est pas abordée, il s’agit ici de montrer comment l’on se sert de Pytorch.
Puis viennent les chapitres traitant de la vectorisation des mots dans une phrase, des méthodes d’optimisation pour l’apprentissage supervisé ou non, du séquençage des données, de leur prédiction et de leur étiquetage et enfin, des perspectives et limites du thème.
Le sujet est bien expliqué et les exemples de code suffisamment nombreux pour permettre de bien assimiler les principes. On se sent vraiment guidé jusqu’à la fin. J’ai trouvé intéressant le parallèle fait avec le langage naturel et en résumé, je dirai que le livre est un bon complément aux tutoriels qu’on retrouve sur internet et qu’il apporte un plus, notamment parce qu’il permet de s’inspirer de la méthode employée par les auteurs.
Tous les extraits de code publiés dans le livre sont disponibles sur un github.
Commenter
Signaler un problème
Natural Language Processing with PyTorch
Build Intelligent Language Applications Using Deep Learning
Build Intelligent Language Applications Using Deep Learning
Natural Language Processing (NLP) provides boundless opportunities for solving problems in artificial intelligence, making products such as Amazon Alexa and Google Translate possible. If you’re a developer or data scientist new to NLP and deep learning, this practical guide shows you how to apply these methods using PyTorch, a Python-based deep learning library.
Authors Delip Rao and Brian McMahon provide you with a solid grounding in NLP and deep learning algorithms and demonstrate how to use PyTorch to build applications involving rich representations of text specific to the problems you face. Each chapter includes several code examples and illustrations.
[Lire la suite]
Authors Delip Rao and Brian McMahon provide you with a solid grounding in NLP and deep learning algorithms and demonstrate how to use PyTorch to build applications involving rich representations of text specific to the problems you face. Each chapter includes several code examples and illustrations.
- Explore computational graphs and the supervised learning paradigm
- Master the basics of the PyTorch optimized tensor manipulation library
- Get an overview of traditional NLP concepts and methods
- Learn the basic ideas involved in building neural networks
- Use embeddings to represent words, sentences, documents, and other features
- Explore sequence prediction and generate sequence-to-sequence models
- Learn design patterns for building production NLP systems
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Hands-On Unsupervised Learning Using Python
How to Build Applied Machine Learning Solutions from Unlabeled Data
de Ankur A. Patel
Public visé :
Débutant
Résumé de l'éditeur
Many industry experts consider unsupervised learning the next frontier in artificial intelligence, one that may hold the key to general artificial intelligence. Since the majority of the world's data is unlabeled, conventional supervised learning cannot be applied. Unsupervised learning, on the other hand, can be applied to unlabeled datasets to discover meaningful patterns buried deep in the data, patterns that may be near impossible for humans to uncover.
Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
- Compare the strengths and weaknesses of the different machine learning approaches: supervised, unsupervised, and reinforcement learning
- Set up and manage machine learning projects end-to-end
- Build an anomaly detection system to catch credit card fraud
- Clusters users into distinct and homogeneous groups
- Perform semisupervised learning
- Develop movie recommender systems using restricted Boltzmann machines
- Generate synthetic images using generative adversarial networks
Édition : O'Reilly - 400 pages, 1re édition, 18 mars 2019
ISBN10 : 1492035645 - ISBN13 : 9781492035640
Fundamentals of Unsupervised Learning
Unsupervised Learning in the Machine Learning Ecosystem
End-to-End Machine Learning Project
Unsupervised Learning Using Scikit-Learn
Dimensionality Reduction
Anomaly Detection
Clustering
Group Segmentation
Unsupervised Learning Using TensorFlow and Keras
Autoencoders
Hands-On Autoencoder
Semisupervised Learning
Deep Unsupervised Learning Using TensorFlow and Keras
Recommender Systems Using Restricted Boltzmann Machines
Feature Detection Using Deep Belief Networks
Generative Adversarial Networks
Time Series Clustering
Unsupervised Learning in the Machine Learning Ecosystem
End-to-End Machine Learning Project
Unsupervised Learning Using Scikit-Learn
Dimensionality Reduction
Anomaly Detection
Clustering
Group Segmentation
Unsupervised Learning Using TensorFlow and Keras
Autoencoders
Hands-On Autoencoder
Semisupervised Learning
Deep Unsupervised Learning Using TensorFlow and Keras
Recommender Systems Using Restricted Boltzmann Machines
Feature Detection Using Deep Belief Networks
Generative Adversarial Networks
Time Series Clustering
Le titre de cet ouvrage promet une belle partie appliquée, c'est effectivement ce que l'on ressent à sa lecture : on ne compte plus les lignes de code pour bien montrer ce que l'auteur fait, notamment dans ses graphiques (le code les générant étant présent dans le livre in extenso). Tout le code est d'ailleurs écrit avec Python 3, en utilisant les dernières versions des bibliothèques, afin de rester utilisable aussi longtemps que possible. Ce côté appliqué est présent tout au long du livre, l'auteur cherche toujours à présenter une utilité aux algorithmes qu'il aborde, il ne se contente pas d'un inventaire à la Prévert, le lien avec les applications réalistes est toujours présent.
L'ouvrage est construit progressivement, avec des techniques de plus en plus avancées, en présentant d'abord brièvement les concepts théoriques (sans mathématiques, car tel n'est pas le but du livre), les algorithmes, puis en plongeant dans la pratique. Les approches sont bien souvent comparées sur un même exemple, afin d'en voir les avantages et inconvénients. Cependant, l'apprentissage non supervisé n'est vu que sous un seul angle : l'exploitation de données sans étiquettes dans l'objectif d'effectuer des prédictions, c'est-à-dire comme une approche entièrement supervisée. Ce faisant, tous les aspects d'analyse de données sont négligés : il aurait été agréable, par exemple, de voir une application de partitionnement de données pour comprendre ce qu'elles contiennent (comme déterminer, sans a priori, les différentes manières de participer à un jeu). Au contraire, dans les exemples de partitionnement, on sait d'avance le nombre de classes que l'on cherche.
Au niveau de la présentation, une grande quantité de code et parfois d'images est redondante. Dans les premiers exemples, qui montrent plusieurs algorithmes d'apprentissage supervisé, la validation croisée est présentée à chaque fois, au lieu de se focaliser sur les différences entre les algorithmes. Chaque chapitre commence par une bonne page d'importation de modules Python (y compris des modules qui ne sont pas utilisés dans ce chapitre !). Certaines parties présentent une grande quantité d'images disposées de telle sorte qu'elles prennent un maximum de place (six images de taille raisonnable présentées sur trois pages, alors qu'en les réduisant un peu on aurait pu tout faire tenir sur une seule face…). Par ailleurs, toutes les images sont en noir et blanc, mais ont été conçues en couleurs : il est souvent difficile de s'y retrouver, car l'information de couleur est très exploitée (notamment pour présenter plusieurs courbes : elles ont sûrement des couleurs très différentes, mais les niveaux de gris se ressemblent trop pour que l'on arrive à faire la distinction entre les courbes).
Le côté technique m'a vraiment déçu. Les algorithmes sont présentés très rapidement, leurs paramètres sont quelque peu vus comme des boîtes noires ou simplement ignorés : comment peut-on en comprendre l'impact sur la solution ? Le chapitre sur la détection d'anomalies n'est vu que comme une application de la réduction de dimensionnalité, on ne trouve aucune discussion des algorithmes spécifiquement prévus pour cette tâche (forêts d'isolation, SVM à une classe, etc.), ce qui est assez réducteur. On ne trouve aucune mention des plongements (comme word2vec pour la représentation de mots) dans la section sur les autoencodeurs, alors que c'en est une application très importante.
Le public ciblé semble n'avoir qu'une assez faible expérience en apprentissage automatique. Le livre sera surtout utile à ceux qui veulent une introduction rapide et pas trop poussée au domaine de l'apprentissage non supervisé, un survol du domaine en abordant toutes ses facettes principales. Ceux qui se demandent à quoi l'apprentissage non supervisé peut bien être utile seront servis, mais n'en verront pas toutes les possibilités.
L'ouvrage est construit progressivement, avec des techniques de plus en plus avancées, en présentant d'abord brièvement les concepts théoriques (sans mathématiques, car tel n'est pas le but du livre), les algorithmes, puis en plongeant dans la pratique. Les approches sont bien souvent comparées sur un même exemple, afin d'en voir les avantages et inconvénients. Cependant, l'apprentissage non supervisé n'est vu que sous un seul angle : l'exploitation de données sans étiquettes dans l'objectif d'effectuer des prédictions, c'est-à-dire comme une approche entièrement supervisée. Ce faisant, tous les aspects d'analyse de données sont négligés : il aurait été agréable, par exemple, de voir une application de partitionnement de données pour comprendre ce qu'elles contiennent (comme déterminer, sans a priori, les différentes manières de participer à un jeu). Au contraire, dans les exemples de partitionnement, on sait d'avance le nombre de classes que l'on cherche.
Au niveau de la présentation, une grande quantité de code et parfois d'images est redondante. Dans les premiers exemples, qui montrent plusieurs algorithmes d'apprentissage supervisé, la validation croisée est présentée à chaque fois, au lieu de se focaliser sur les différences entre les algorithmes. Chaque chapitre commence par une bonne page d'importation de modules Python (y compris des modules qui ne sont pas utilisés dans ce chapitre !). Certaines parties présentent une grande quantité d'images disposées de telle sorte qu'elles prennent un maximum de place (six images de taille raisonnable présentées sur trois pages, alors qu'en les réduisant un peu on aurait pu tout faire tenir sur une seule face…). Par ailleurs, toutes les images sont en noir et blanc, mais ont été conçues en couleurs : il est souvent difficile de s'y retrouver, car l'information de couleur est très exploitée (notamment pour présenter plusieurs courbes : elles ont sûrement des couleurs très différentes, mais les niveaux de gris se ressemblent trop pour que l'on arrive à faire la distinction entre les courbes).
Le côté technique m'a vraiment déçu. Les algorithmes sont présentés très rapidement, leurs paramètres sont quelque peu vus comme des boîtes noires ou simplement ignorés : comment peut-on en comprendre l'impact sur la solution ? Le chapitre sur la détection d'anomalies n'est vu que comme une application de la réduction de dimensionnalité, on ne trouve aucune discussion des algorithmes spécifiquement prévus pour cette tâche (forêts d'isolation, SVM à une classe, etc.), ce qui est assez réducteur. On ne trouve aucune mention des plongements (comme word2vec pour la représentation de mots) dans la section sur les autoencodeurs, alors que c'en est une application très importante.
Le public ciblé semble n'avoir qu'une assez faible expérience en apprentissage automatique. Le livre sera surtout utile à ceux qui veulent une introduction rapide et pas trop poussée au domaine de l'apprentissage non supervisé, un survol du domaine en abordant toutes ses facettes principales. Ceux qui se demandent à quoi l'apprentissage non supervisé peut bien être utile seront servis, mais n'en verront pas toutes les possibilités.
Commenter
Signaler un problème
Hands-On Unsupervised Learning Using Python
Many industry experts consider unsupervised learning the next frontier in artificial intelligence, one that may hold the key to general artificial intelligence. Since the majority of the world's data is unlabeled, conventional supervised learning cannot be applied. Unsupervised learning, on the other hand, can be applied to unlabeled datasets to discover meaningful patterns buried deep in the data, patterns that may be near impossible for humans to uncover.
Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
Author Ankur Patel shows you how to apply unsupervised learning using two simple, production-ready Python frameworks: Scikit-learn and TensorFlow using Keras. With code and hands-on examples, data scientists will identify difficult-to-find patterns in data and gain deeper business insight, detect anomalies, perform automatic feature engineering and selection, and generate synthetic datasets. All you need is programming and some machine learning experience to get started.
- Compare the strengths and weaknesses of the different machine learning approaches: supervised, unsupervised, and reinforcement learning
- Set up and manage machine learning projects end-to-end
- Build an anomaly detection system to catch credit card fraud
- Clusters users into distinct and homogeneous groups
- Perform semisupervised learning
- Develop movie recommender systems using restricted Boltzmann machines
- Generate synthetic images using generative adversarial networks
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Data Visualization
Charts, Maps, and Interactive Graphics
de Robert Grant
Public visé :
Intermédiaire
Résumé de l'éditeur
This is the age of data. There are more innovations and more opportunities for interesting work with data than ever before, but there is also an overwhelming amount of quantitative information being published every day. Data visualisation has become big business, because communication is the difference between success and failure, no matter how clever the analysis may have been. The ability to visualize data is now a skill in demand across business, government, NGOs and academia.
Data Visualization: Charts, Maps, and Interactive Graphics gives an overview of a wide range of techniques and challenges, while staying accessible to anyone interested in working with and understanding data.
Features:
Whether you are a student considering a career in data science, an analyst who wants to learn more about visualization, or the manager of a team working with data, this book will introduce you to a broad range of data visualization methods.
Data Visualization: Charts, Maps, and Interactive Graphics gives an overview of a wide range of techniques and challenges, while staying accessible to anyone interested in working with and understanding data.
Features:
- Focusses on concepts and ways of thinking about data rather than algebra or computer code.
- Features 17 short chapters that can be read in one sitting.
- Includes chapters on big data, statistical and machine learning models, visual perception, high-dimensional data, and maps and geographic data.
- Contains more than 125 visualizations, most created by the author.
- Supported by a website with all code for creating the visualizations, further reading, datasets and practical advice on crafting the images.
Whether you are a student considering a career in data science, an analyst who wants to learn more about visualization, or the manager of a team working with data, this book will introduce you to a broad range of data visualization methods.
Édition : CRC Press - 218 pages, 1re édition, 4 décembre 2018
ISBN10 : 113855359X - ISBN13 : 9781138553590
Why visualise?
Translating numbers to images
Continuous and discrete numbers
Percentages and risks
Showing data or statistics
Differences, ratios, correlations
Visual perception and the brain
Showing uncertainty
Time trends
Statistical predictive models
Machine learning techniques
Many variables
Maps and networks
Interactivity
Big data
Visualisation as part of a bigger package
Some overarching ideas
Translating numbers to images
Continuous and discrete numbers
Percentages and risks
Showing data or statistics
Differences, ratios, correlations
Visual perception and the brain
Showing uncertainty
Time trends
Statistical predictive models
Machine learning techniques
Many variables
Maps and networks
Interactivity
Big data
Visualisation as part of a bigger package
Some overarching ideas
La visualisation de données est un besoin de plus en plus pressant, notamment dans un contexte de mégadonnées : c'est bien de disposer de données, c'est mieux d'arriver à les exploiter correctement. La visualisation est un outil très utile pour cela, mais seulement quand elle est appliquée à bon escient. C'est ce que ce livre propose : des techniques de visualisation, un lien avec les statistiques, des principes de conception d'une bonne visualisation, mais aussi toute une série d'exemples. L'auteur a comme but d'enseigner la manière de réaliser des graphiques qui ont un impact.
L'auteur est un statisticien et cela se ressent dans la manière d'aborder les sujets : pas question d'afficher des barres d'erreur sans expliciter ce qu'elles représentent (écart type, erreur standard, intervalle de confiance ?), par exemple. Ce n'est pas une raison pour abrutir le lecteur de mathématiques, puisque l'ouvrage ne comporte aucune formule, vraiment aucune. Quelques outils statistiques sont présentés, mais assez brièvement, uniquement en expliquant les principes généraux (des références sont là pour compléter). Ce choix est parfois limitant : pour le bootstrap, notamment, l'auteur répète maintes fois l'utilité de la technique, mais ne l'explique pas vraiment.
Les mises en situation constituent l'épine dorsale du livre, en ce sens que chaque chapitre dispose d'une ou plusieurs visualisations réalistes, parfois comparées : quels sont les avantages de telle manière de représenter les données, quelles sont les interprétations plus faciles à réaliser sur tel graphique, quelle visualisation ne peut pas fonctionner (sans oublier le pourquoi, qu'il soit plutôt statistique ou visuel). Cette manière de procéder rend l'ouvrage très lisible et attirant.
Pour la mise en pratique, l'auteur met à disposition sur son site le code source de chaque graphique qu'il a réalisé pour le livre (surtout en R) — même si le livre en lui-même ne présente pas une seule ligne de code, ce n'est pas un tutoriel R ou Stata.
L'auteur est un statisticien et cela se ressent dans la manière d'aborder les sujets : pas question d'afficher des barres d'erreur sans expliciter ce qu'elles représentent (écart type, erreur standard, intervalle de confiance ?), par exemple. Ce n'est pas une raison pour abrutir le lecteur de mathématiques, puisque l'ouvrage ne comporte aucune formule, vraiment aucune. Quelques outils statistiques sont présentés, mais assez brièvement, uniquement en expliquant les principes généraux (des références sont là pour compléter). Ce choix est parfois limitant : pour le bootstrap, notamment, l'auteur répète maintes fois l'utilité de la technique, mais ne l'explique pas vraiment.
Les mises en situation constituent l'épine dorsale du livre, en ce sens que chaque chapitre dispose d'une ou plusieurs visualisations réalistes, parfois comparées : quels sont les avantages de telle manière de représenter les données, quelles sont les interprétations plus faciles à réaliser sur tel graphique, quelle visualisation ne peut pas fonctionner (sans oublier le pourquoi, qu'il soit plutôt statistique ou visuel). Cette manière de procéder rend l'ouvrage très lisible et attirant.
Pour la mise en pratique, l'auteur met à disposition sur son site le code source de chaque graphique qu'il a réalisé pour le livre (surtout en R) — même si le livre en lui-même ne présente pas une seule ligne de code, ce n'est pas un tutoriel R ou Stata.
Commenter
Signaler un problème
Data Visualization
Charts, Maps, and Interactive Graphics
Charts, Maps, and Interactive Graphics
This is the age of data. There are more innovations and more opportunities for interesting work with data than ever before, but there is also an overwhelming amount of quantitative information being published every day. Data visualisation has become big business, because communication is the difference between success and failure, no matter how clever the analysis may have been. The ability to visualize data is now a skill in demand across business, government, NGOs and academia.
Data Visualization: Charts, Maps, and Interactive Graphics gives an overview of a wide range of techniques and challenges, while staying accessible to anyone interested in working with and understanding data.
Features:
Whether you are a student considering a career in data science, an analyst who wants to learn more about visualization, or the manager of a team working with data, this book will introduce you to a broad range of data visualization methods.
[Lire la suite]
Data Visualization: Charts, Maps, and Interactive Graphics gives an overview of a wide range of techniques and challenges, while staying accessible to anyone interested in working with and understanding data.
Features:
- Focusses on concepts and ways of thinking about data rather than algebra or computer code.
- Features 17 short chapters that can be read in one sitting.
- Includes chapters on big data, statistical and machine learning models, visual perception, high-dimensional data, and maps and geographic data.
- Contains more than 125 visualizations, most created by the author.
- Supported by a website with all code for creating the visualizations, further reading, datasets and practical advice on crafting the images.
Whether you are a student considering a career in data science, an analyst who wants to learn more about visualization, or the manager of a team working with data, this book will introduce you to a broad range of data visualization methods.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
0 commentaire
Elements of Causal Inference
Foundations and Learning Algorithms
de Jonas Peters, Dominik Janzing et Bernhard Schölkopf
Public visé :
Expert
Résumé de l'éditeur
A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning.
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
Édition : MIT Press - 288 pages, 1re édition, 22 décembre 2017
ISBN10 : 0262037319 - ISBN13 : 9780262037310
Statistical and Causal Models
Assumptions for Causal Inference
Cause-Effect Models
Learning Cause-Effect Models
Connections with Machine Learning, I
Multivariate Causal Models
Learning Multivariate Causal Models
Connections with Machine Learning, II
Hidden Variables
Time Series
Assumptions for Causal Inference
Cause-Effect Models
Learning Cause-Effect Models
Connections with Machine Learning, I
Multivariate Causal Models
Learning Multivariate Causal Models
Connections with Machine Learning, II
Hidden Variables
Time Series
L'apprentissage automatique est un champ extrêmement développé, mais uniquement pour la découverte de corrélations entre variables. Il est parfois facile de déduire un lien entre des symptômes et une pathologie, mais les algorithmes d'apprentissage ne peuvent pas déterminer qui implique qui : est-ce à cause des symptômes que la maladie est présente ou est-ce l'inverse ? L'apprentissage causal cherche à répondre à ce genre de question, le livre ne porte que sur ce sujet.
Les trois auteurs présentent l'essentiel de ce domaine trop peu connu de la science des données, d'une manière progressive : les premières explications se font « avec les mains », la formalisation suit (à deux variables aléatoires pour commencer, puis dans le cas général). Notamment, les analyses contrefactuelles sont abordées en détail. Les auteurs n'hésitent pas à parsemer leur texte de bouts de code pour faciliter la compréhension des concepts et la mise en pratique des algorithmes. À ce sujet, ils considèrent que le lecteur connaît les bases de R et de quelques bibliothèques pour comprendre ces morceaux de code, aucune explication syntaxique n'étant donnée. Autant que possible, les liens entre les concepts présentés et l'apprentissage automatique sont explicités.
Le style est austère et académique. Des renvois vers des articles scientifiques – y compris ceux des auteurs eux-mêmes dont la modestie ne semble pas souffrir – sont faits à de nombreuses reprises pour approfondir les sujets : la présentation d'un algorithme se limite bien souvent aux idées principales sous-jacentes, le reste étant disponible dans la littérature. Globalement, l'ouvrage n'est pas toujours aussi facile à suivre que l'on espérerait : il est plutôt destiné à des gens qui connaissent déjà les bases de l'inférence de causalité, mais cherchent à approfondir le sujet ou à découvrir d'autres axes de recherche dans le domaine.
À noter : le livre est aussi disponible gratuitement au format PDF.
Les trois auteurs présentent l'essentiel de ce domaine trop peu connu de la science des données, d'une manière progressive : les premières explications se font « avec les mains », la formalisation suit (à deux variables aléatoires pour commencer, puis dans le cas général). Notamment, les analyses contrefactuelles sont abordées en détail. Les auteurs n'hésitent pas à parsemer leur texte de bouts de code pour faciliter la compréhension des concepts et la mise en pratique des algorithmes. À ce sujet, ils considèrent que le lecteur connaît les bases de R et de quelques bibliothèques pour comprendre ces morceaux de code, aucune explication syntaxique n'étant donnée. Autant que possible, les liens entre les concepts présentés et l'apprentissage automatique sont explicités.
Le style est austère et académique. Des renvois vers des articles scientifiques – y compris ceux des auteurs eux-mêmes dont la modestie ne semble pas souffrir – sont faits à de nombreuses reprises pour approfondir les sujets : la présentation d'un algorithme se limite bien souvent aux idées principales sous-jacentes, le reste étant disponible dans la littérature. Globalement, l'ouvrage n'est pas toujours aussi facile à suivre que l'on espérerait : il est plutôt destiné à des gens qui connaissent déjà les bases de l'inférence de causalité, mais cherchent à approfondir le sujet ou à découvrir d'autres axes de recherche dans le domaine.
À noter : le livre est aussi disponible gratuitement au format PDF.
Commenter
Signaler un problème
Elements of Causal Inference
Foundations and Learning Algorithms
Foundations and Learning Algorithms
A concise and self-contained introduction to causal inference, increasingly important in data science and machine learning.
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
[Lire la suite]
The mathematization of causality is a relatively recent development, and has become increasingly important in data science and machine learning. This book offers a self-contained and concise introduction to causal models and how to learn them from data. After explaining the need for causal models and discussing some of the principles underlying causal inference, the book teaches readers how to use causal models: how to compute intervention distributions, how to infer causal models from observational and interventional data, and how causal ideas could be exploited for classical machine learning problems. All of these topics are discussed first in terms of two variables and then in the more general multivariate case. The bivariate case turns out to be a particularly hard problem for causal learning because there are no conditional independences as used by classical methods for solving multivariate cases. The authors consider analyzing statistical asymmetries between cause and effect to be highly instructive, and they report on their decade of intensive research into this problem.
The book is accessible to readers with a background in machine learning or statistics, and can be used in graduate courses or as a reference for researchers. The text includes code snippets that can be copied and pasted, exercises, and an appendix with a summary of the most important technical concepts.
[Lire la suite]
- Avez-vous lu ce livre ou pensez-vous le lire ?
- Souhaitez-vous ajouter une critique de ce livre sur la page de la rubrique ?
- Avez-vous un commentaire à faire ?
Détails du livre
Sommaire
Critiques (1)
1 commentaire
Machine Learning for Data Streams
With Practical Examples in MOA
de Albert Bifet, Ricard Gavaldà, Geoff Holmes et Bernhard Pfahringer
Public visé :
Expert
Résumé de l'éditeur
A hands-on approach to tasks and techniques in data stream mining and real-time analytics, with examples in MOA, a popular freely available open-source software framework.
Today many information sources—including sensor networks, financial markets, social networks, and healthcare monitoring—are so-called data streams, arriving sequentially and at high speed. Analysis must take place in real time, with partial data and without the capacity to store the entire data set. This book presents algorithms and techniques used in data stream mining and real-time analytics. Taking a hands-on approach, the book demonstrates the techniques using MOA (Massive Online Analysis), a popular, freely available open-source software framework, allowing readers to try out the techniques after reading the explanations.
The book first offers a brief introduction to the topic, covering big data mining, basic methodologies for mining data streams, and a simple example of MOA. More detailed discussions follow, with chapters on sketching techniques, change, classification, ensemble methods, regression, clustering, and frequent pattern mining. Most of these chapters include exercises, an MOA-based lab session, or both. Finally, the book discusses the MOA software, covering the MOA graphical user interface, the command line, use of its API, and the development of new methods within MOA. The book will be an essential reference for readers who want to use data stream mining as a tool, researchers in innovation or data stream mining, and programmers who want to create new algorithms for MOA.
Today many information sources—including sensor networks, financial markets, social networks, and healthcare monitoring—are so-called data streams, arriving sequentially and at high speed. Analysis must take place in real time, with partial data and without the capacity to store the entire data set. This book presents algorithms and techniques used in data stream mining and real-time analytics. Taking a hands-on approach, the book demonstrates the techniques using MOA (Massive Online Analysis), a popular, freely available open-source software framework, allowing readers to try out the techniques after reading the explanations.
The book first offers a brief introduction to the topic, covering big data mining, basic methodologies for mining data streams, and a simple example of MOA. More detailed discussions follow, with chapters on sketching techniques, change, classification, ensemble methods, regression, clustering, and frequent pattern mining. Most of these chapters include exercises, an MOA-based lab session, or both. Finally, the book discusses the MOA software, covering the MOA graphical user interface, the command line, use of its API, and the development of new methods within MOA. The book will be an essential reference for readers who want to use data stream mining as a tool, researchers in innovation or data stream mining, and programmers who want to create new algorithms for MOA.
Édition : MIT Press - 288 pages, 1re édition, 2 mars 2018
ISBN10 : 0262037793 - ISBN13 : 9780262037792
Introduction
Introduction
Big Data Stream Mining
Hands-on Introduction to MOA
Stream Mining
Streams and Sketches
Dealing with Change
Classification
Ensemble Methods
Regression
Clustering
Frequent Pattern Mining
The MOA Software
Introduction to MOA and Its Ecosystem
The Graphical User Interface
Using the Command Line
Using the API
Developing New Methods in MOA
Introduction
Big Data Stream Mining
Hands-on Introduction to MOA
Stream Mining
Streams and Sketches
Dealing with Change
Classification
Ensemble Methods
Regression
Clustering
Frequent Pattern Mining
The MOA Software
Introduction to MOA and Its Ecosystem
The Graphical User Interface
Using the Command Line
Using the API
Developing New Methods in MOA
L'apprentissage automatique est un domaine aux multiples facettes. Ce livre dépoussière l'une d'entre elles qui n'est que trop peu explorée dans la littérature : l'étude des flux de données, où les algorithmes doivent effectuer des prédictions, mais surtout s'adapter en temps réel à des données disponibles au compte-gouttes (même si ce dernier peut avoir un très bon débit !). Les auteurs font la part belle aux spécificités de ce paradigme : les calculs doivent être effectués très rapidement, on n'a presque pas de temps disponible par échantillon, ni de mémoire d'ailleurs.
Structurellement, on retrouve trois parties bien distinctes :
On peut néanmoins reprocher quelques références vers la suite du livre (la section 4.6.2 considère parfois le contenu de la 4.9.2 intégré, par exemple), mais aussi l'omniprésence de MOA : on a l'impression que les auteurs se sont focalisés sur les algorithmes disponibles dans cette boîte à outils, plutôt que de présenter les algorithmes les plus intéressants en général. Cette remarque est toutefois assez mineure, au vu de l'exhaustivité de MOA.
À noter : le livre est aussi disponible gratuitement au format HTML, les auteurs répondant aux commentaires qui leur sont laissés.
Structurellement, on retrouve trois parties bien distinctes :
- une introduction très générale au domaine, qui montre néanmoins l'essentiel de MOA, un logiciel dédié aux tâches d'apprentissage dans les flux ;
- une présentation plus détaillée des algorithmes applicables à des flux, que ce soit pour les résumer, pour en dériver des modèles de prédiction ou pour explorer les données. Cette partie devrait plaire aux étudiants, professionnels et chercheurs qui souhaitent se lancer dans le domaine, notamment avec ses nombreuses références (pour les détails de certains algorithmes moins intéressants ou trop avancés : on sent un vrai lien entre le livre et la recherche actuelle dans le domaine). Les algorithmes sont détaillés avec un certain niveau de formalisme mathématique, pour bien comprendre ce qu'ils font (et pourquoi ils garantissent une certaine approximation de la réalité) ;
- finalement, un guide d'utilisation assez succinct de MOA, avec un bon nombre de captures d'écran du logiciel (imprimées en couleurs !), qui détaille les différents onglets de l'interface graphique (à l'aide de listes très descriptives, mais liées aux autres chapitres de l'ouvrage) et passe rapidement sur les interfaces en ligne de commande et de programmation (ces deux derniers chapitres sont brefs et doivent être complémentés par celui sur l'interface graphique, qui contient les éléments essentiels).
On peut néanmoins reprocher quelques références vers la suite du livre (la section 4.6.2 considère parfois le contenu de la 4.9.2 intégré, par exemple), mais aussi l'omniprésence de MOA : on a l'impression que les auteurs se sont focalisés sur les algorithmes disponibles dans cette boîte à outils, plutôt que de présenter les algorithmes les plus intéressants en général. Cette remarque est toutefois assez mineure, au vu de l'exhaustivité de MOA.
À noter : le livre est aussi disponible gratuitement au format HTML, les auteurs répondant aux commentaires qui leur sont laissés.
Commenter
Signaler un problème
Bonjour chers membres du Club,
Je vous invite à lire la critique que Dourouc05 a faite pour vous au sujet du livre :
Bonne lecture
Je vous invite à lire la critique que Dourouc05 a faite pour vous au sujet du livre :
L'apprentissage automatique est un domaine aux multiples facettes. Ce livre dépoussière l'une d'entre elles qui n'est que trop peu explorée dans la littérature : l'étude des flux de données, où les algorithmes doivent effectuer des prédictions, mais surtout s'adapter en temps réel à des données disponibles au compte-gouttes (même si ce dernier peut avoir un très bon débit !).
Les auteurs font la part belle aux spécificités de ce paradigme : les calculs doivent être effectués très rapidement, on n'a presque pas de temps disponible par échantillon, ni de mémoire d'ailleurs..Lire la suite de la critique...
Les auteurs font la part belle aux spécificités de ce paradigme : les calculs doivent être effectués très rapidement, on n'a presque pas de temps disponible par échantillon, ni de mémoire d'ailleurs..Lire la suite de la critique...
Bonne lecture
Détails du livre
Sommaire
Critiques (1)
Ant Colony Optimization
de Marco Dorigo, Thomas Stützle
Public visé :
Intermédiaire
Résumé de l'éditeur
The complex social behaviors of ants have been much studied by science, and computer scientists are now finding that these behavior patterns can provide models for solving difficult combinatorial optimization problems. The attempt to develop algorithms inspired by one aspect of ant behavior, the ability to find what computer scientists would call shortest paths, has become the field of ant colony optimization (ACO), the most successful and widely recognized algorithmic technique based on ant behavior. This book presents an overview of this rapidly growing field, from its theoretical inception to practical applications, including descriptions of many available ACO algorithms and their uses. The book first describes the translation of observed ant behavior into working optimization algorithms. The ant colony metaheuristic is then introduced and viewed in the general context of combinatorial optimization. This is followed by a detailed description and guide to all major ACO algorithms and a report on current theoretical findings. The book surveys ACO applications now in use, including routing, assignment, scheduling, subset, machine learning, and bioinformatics problems. AntNet, an ACO algorithm designed for the network routing problem, is described in detail. The authors conclude by summarizing the progress in the field and outlining future research directions. Each chapter ends with bibliographic material, bullet points setting out important ideas covered in the chapter, and exercises. Ant Colony Optimization will be of interest to academic and industry researchers, graduate students, and practitioners who wish to learn how to implement ACO algorithms.
Édition : MIT Press - 319 pages, 1re édition, 4 juin 2004
ISBN10 : 0262042193 - ISBN13 : 9780262042192
- Chapter 1. From Real to Artificial Ants
- Chapter 2. The Ant Colony Optimization Metaheuristic
- Chapter 3. Ant Colony Optimization Algorithms for the Traveling Salesman Problem
- Chapter 4. Ant Colony Optimization Theory
- Chapter 5. Ant Colony Optimization for NP-Hard Problems
- Chapter 6. AntNet: An ACO Algorithm for Data Network Routing
- Chapter 7. Conclusions and Prospects for the Future
Écrit par Marco Dorigo, fondateur des algorithmes de colonie de fourmis, et Thomas Stützle, expert en optimisation, ce livre est une des références dans le domaine des algorithmes de colonie de fourmis dont il donne un aperçu très complet tout en restant accessible pour les néophytes. De bonnes notions en mathématiques discrètes seront néanmoins nécessaires pour bien comprendre certains passages, l'attachement à la formalisation mathématique étant une des caractéristiques de l'ouvrage.
Le premier chapitre met en exergue les liens entre fourmis réelles et artificielles en s'appuyant sur les interactions entre entomologie, mathématiques et informatique. Le deuxième chapitre situe les algorithmes de colonie de fourmis par rapport aux autres métaheuristiques ainsi qu'aux différentes catégories de problèmes auxquels ils s'appliquent, en l'occurrence des problèmes classiques d'optimisation combinatoire, fournissant ainsi aux lecteurs une superbe vue d'ensemble. Le troisième chapitre présente un exemple simple et détaillé d'application des algorithmes de colonie de fourmis au problème du voyageur de commerce ; diverses variantes de l'algorithme sont exposées et des ajouts majeurs, nommément la parallélisation et la recherche locale, sont introduits.
Ces trois premiers chapitres se lisent facilement et avec le chapitre de conclusion donnent les idées principales. Les autres chapitres sont essentiellement des chapitres d'approfondissement. Le quatrième chapitre explore la théorie sous-jacente aux algorithmes de colonie de fourmis, en détaillant entre autres choses les preuves de convergence et en introduisant le concept de recherche par modèle, par opposition à la recherche par solutions. Il n'existe cependant aucune preuve mathématique sur les vitesses de convergence, absence malheureusement assez répandue dans le monde des métaheuristiques en dépit des tentatives. Le cinquième chapitre est un catalogue de problèmes NP-difficiles auxquels ont été appliqués les algorithmes de colonie de fourmis : la mise en place de l'algorithme, autrement dit la définition de la correspondance entre le problème traité et la métaheuristique, puis les résultats sont présentés pour chaque problème. Le sixième chapitre se concentre sur un problème précis, le routage de données, et se penche sur les similarités avec l'apprentissage par renforcement et la méthode de Monte-Carlo, comparaison très pertinente. Les auteurs terminent sur un chapitre de conclusions et perspectives très diverses allant de la parallélisation algorithmique à la division du travail au sein des agents computationnels inspirée par la nature.
En conclusion, ce livre mérite tout à fait son titre de référence du domaine. Ses explications détaillées, aussi bien expérimentales que théoriques, ainsi que ses nombreuses ouvertures rendent sa lecture palpitante. Chaque chapitre s'achève par une très courte bibliographie et des exercices orientés informatique ou mathématiques. À noter que l'ouvrage date toutefois de 2004, ce qui est ancien étant donné la vitesse d'évolution de la recherche dans le domaine des métaheuristiques : il faut donc l'utiliser pour acquérir des bases solides et non comme un état de l'art exhaustif de la recherche actuelle.
Le premier chapitre met en exergue les liens entre fourmis réelles et artificielles en s'appuyant sur les interactions entre entomologie, mathématiques et informatique. Le deuxième chapitre situe les algorithmes de colonie de fourmis par rapport aux autres métaheuristiques ainsi qu'aux différentes catégories de problèmes auxquels ils s'appliquent, en l'occurrence des problèmes classiques d'optimisation combinatoire, fournissant ainsi aux lecteurs une superbe vue d'ensemble. Le troisième chapitre présente un exemple simple et détaillé d'application des algorithmes de colonie de fourmis au problème du voyageur de commerce ; diverses variantes de l'algorithme sont exposées et des ajouts majeurs, nommément la parallélisation et la recherche locale, sont introduits.
Ces trois premiers chapitres se lisent facilement et avec le chapitre de conclusion donnent les idées principales. Les autres chapitres sont essentiellement des chapitres d'approfondissement. Le quatrième chapitre explore la théorie sous-jacente aux algorithmes de colonie de fourmis, en détaillant entre autres choses les preuves de convergence et en introduisant le concept de recherche par modèle, par opposition à la recherche par solutions. Il n'existe cependant aucune preuve mathématique sur les vitesses de convergence, absence malheureusement assez répandue dans le monde des métaheuristiques en dépit des tentatives. Le cinquième chapitre est un catalogue de problèmes NP-difficiles auxquels ont été appliqués les algorithmes de colonie de fourmis : la mise en place de l'algorithme, autrement dit la définition de la correspondance entre le problème traité et la métaheuristique, puis les résultats sont présentés pour chaque problème. Le sixième chapitre se concentre sur un problème précis, le routage de données, et se penche sur les similarités avec l'apprentissage par renforcement et la méthode de Monte-Carlo, comparaison très pertinente. Les auteurs terminent sur un chapitre de conclusions et perspectives très diverses allant de la parallélisation algorithmique à la division du travail au sein des agents computationnels inspirée par la nature.
En conclusion, ce livre mérite tout à fait son titre de référence du domaine. Ses explications détaillées, aussi bien expérimentales que théoriques, ainsi que ses nombreuses ouvertures rendent sa lecture palpitante. Chaque chapitre s'achève par une très courte bibliographie et des exercices orientés informatique ou mathématiques. À noter que l'ouvrage date toutefois de 2004, ce qui est ancien étant donné la vitesse d'évolution de la recherche dans le domaine des métaheuristiques : il faut donc l'utiliser pour acquérir des bases solides et non comme un état de l'art exhaustif de la recherche actuelle.
Détails du livre
Sommaire
Critiques (1)
3 commentaires
A Field Guide to Genetic Programming
de Riccardo Poli, William B. Langdon et Nicholas Freitag McPhee
Public visé :
Intermédiaire
Résumé de l'éditeur
Genetic programming (GP) is a systematic, domain-independent method for getting computers to solve problems automatically starting from a high-level statement of what needs to be done. Using ideas from natural evolution, GP starts from an ooze of random computer programs, and progressively refines them through processes of mutation and sexual recombination, until high-fitness solutions emerge. All this without the user having to know or specify the form or structure of solutions in advance. GP has generated a plethora of human-competitive results and applications, including novel scientific discoveries and patentable inventions. This unique overview of this exciting technique is written by three of the most active scientists in GP.
Édition : Lulu - 252 pages, 1re édition, 26 mars 2008
ISBN10 : 1409200736 - ISBN13 : 9781409200734
- Chapter 1. Introduction
- Part I: Basics
- Chapter 2. Representation, Initialisation and Operators in Tree-based GP
- Chapter 3. Getting Ready to Run Genetic Programming
- Chapter 4. Example Genetic Programming Run
- Part II: Advanced Genetic Programming
- Chapter 5. Alternative Initialisations and Operators in Tree-based GP
- Chapter 6. Modular, Grammatical and Developmental Tree-based GP
- Chapter 7. Linear and Graph Genetic Programming
- Chapter 8. Probabilistic Genetic Programming
- Chapter 9. Multi-objective Genetic Programming
- Chapter 10. Fast and Distributed Genetic Programming
- Chapter 11. GP Theory and its Applications
- Part III: Practical Genetic Programming
- Chapter 12. Applications
- Chapter 13. Troubleshooting GP
- Chapter 14. Conclusions
- Part IV: Tricks of the Trade
(list] - Appendix A. Resources
- Appendix B. TinyGP
Ce livre est une excellente introduction à la programmation génétique. En seulement 150 pages sans compter la bibliographie fournie, il offre une vue complète du domaine et se lit très facilement.
Après avoir présenté les bases de la programmation génétique, les auteurs exposent dans un chapitre entier un exemple simple pour illustrer concrètement le déroulement d'un tel algorithme. Les concepts avancés sont ensuite présentés de façon assez développée pour pouvoir bien les comprendre, mais pas trop pour ne pas noyer le lecteur dans les détails, le livre étant avant tout une introduction.
Chose intéressante, le livre propose également un chapitre théorique, ce qui est appréciable car la programmation génétique est souvent abordée sous un angle empirique, à défaut d'un modèle mathématique sous-jacent très développé, nonobstant les tentatives. Cette approche théorique permet en particulier de donner une piste d'explication mathématique des méthodes pour contrôler le phénomène de bloat, phénomène correspondant à l'augmentation de la taille du code des solutions sans amélioration de leur fitness, ce qui constitue un des problèmes majeurs de la programmation génétique à l'heure actuelle. Les auteurs poursuivent en donnant un aperçu synoptique des applications de la programmation génétique, ce qui permet de voir concrètement dans quels domaines elle a été mise en œuvre.
Le pénultième chapitre est consacré aux conseils pratiques pour mettre en place et mener à bien des expérimentations. C'est un concentré de l'expérience des auteurs, qu'il sera très utile d'avoir sous la main surtout lors des premières expérimentations. Enfin, les auteurs concluent l'ouvrage par une liste de ressources ainsi qu'un exemple de code source implémentant une expérimentation de programmation génétique.
Je conseille donc ce livre à toute personne souhaitant une introduction rapide ou un
e révision sur la programmation génétique. À noter que, contrairement à d'autres ouvrages tels Essentials of Metaheuristics et Introduction to Evolutionary Computing, ce livre ne permet pas de situer la programmation génétique par rapport aux autres algorithmes d'optimisation, mais se concentre exclusivement sur la programmation génétique. Également, aucun exercice n'est proposé.
Le livre est téléchargeable gratuitement à l'adresse http://www.gp-field-guide.org.uk (licence CC-BY-NC-ND).
Après avoir présenté les bases de la programmation génétique, les auteurs exposent dans un chapitre entier un exemple simple pour illustrer concrètement le déroulement d'un tel algorithme. Les concepts avancés sont ensuite présentés de façon assez développée pour pouvoir bien les comprendre, mais pas trop pour ne pas noyer le lecteur dans les détails, le livre étant avant tout une introduction.
Chose intéressante, le livre propose également un chapitre théorique, ce qui est appréciable car la programmation génétique est souvent abordée sous un angle empirique, à défaut d'un modèle mathématique sous-jacent très développé, nonobstant les tentatives. Cette approche théorique permet en particulier de donner une piste d'explication mathématique des méthodes pour contrôler le phénomène de bloat, phénomène correspondant à l'augmentation de la taille du code des solutions sans amélioration de leur fitness, ce qui constitue un des problèmes majeurs de la programmation génétique à l'heure actuelle. Les auteurs poursuivent en donnant un aperçu synoptique des applications de la programmation génétique, ce qui permet de voir concrètement dans quels domaines elle a été mise en œuvre.
Le pénultième chapitre est consacré aux conseils pratiques pour mettre en place et mener à bien des expérimentations. C'est un concentré de l'expérience des auteurs, qu'il sera très utile d'avoir sous la main surtout lors des premières expérimentations. Enfin, les auteurs concluent l'ouvrage par une liste de ressources ainsi qu'un exemple de code source implémentant une expérimentation de programmation génétique.
Je conseille donc ce livre à toute personne souhaitant une introduction rapide ou un
e révision sur la programmation génétique. À noter que, contrairement à d'autres ouvrages tels Essentials of Metaheuristics et Introduction to Evolutionary Computing, ce livre ne permet pas de situer la programmation génétique par rapport aux autres algorithmes d'optimisation, mais se concentre exclusivement sur la programmation génétique. Également, aucun exercice n'est proposé.
Le livre est téléchargeable gratuitement à l'adresse http://www.gp-field-guide.org.uk (licence CC-BY-NC-ND).
Commenter
Signaler un problème
Bonjour,
La rédaction DVP a lu pour vous le livre "A Field Guide to Genetic Programming" de Riccardo Poli, William B. Langdon et Nicholas Freitag McPhee
Envoyé par Résumé de l'éditeur
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
La rédaction DVP a lu pour vous le livre "A Field Guide to Genetic Programming" de Riccardo Poli, William B. Langdon et Nicholas Freitag McPhee
Envoyé par Résumé de l'éditeur
Genetic programming (GP) is a systematic, domain-independent method for getting computers to solve problems automatically starting from a high-level statement of what needs to be done. Using ideas from natural evolution, GP starts from an ooze of random computer programs, and progressively refines them through processes of mutation and sexual recombination, until high-fitness solutions emerge. All this without the user having to know or specify the form or structure of solutions in advance. GP has generated a plethora of human-competitive results and applications, including novel scientific discoveries and patentable inventions. This unique overview of this exciting technique is written by three of the most active scientists in GP.
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
Envoyé par Djug
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
Bref, je recommande.
2012 - Free Book - Moshe Sipper - Evolved to Win
http://algo.developpez.com/livres/#L9781470972837
http://algo.developpez.com/livres/#L9781470972837
3.2.6 Explicitly defined introns
In natural living systems not all DNA has a phenotypic effect. This non-coding DNA,
sometimes referred to as junk DNA, is prevalent in virtually all eukaryotic genomes.
In GP, so-called introns are areas of code that do not affect survival and reproduction
(usually this can be replaced with “do not affect fitness”). In the context of tree-based
GP the term “areas of code” applies to subtrees.
Introns occur naturally in GP, provided that the function and terminal sets allow
for it. As bloat progresses, the number of nodes that are part of introns tends to
increase. Luke [117] distinguished two types of subtrees that are sometimes referred
to as introns in the literature:
• Unoptimized code: Areas of code that can be trivially simplified without modifying
the individual’s functionality, but not replaced with just anything.
• Inviable code: Subtrees that cannot be replaced by anything that can possibly
change the individual’s functionality.
Luke focused on inviable introns and we will do the same because unoptimized
code seems to cast too wide a net and wander too far from the original meaning of
the term “intron” in biology. We also make another distinction between two types of
inviable-code introns:
• Live-code introns: Subtrees that cannot be replaced by anything that can possibly
change the individual’s functionality, but may still generate code that will run
at some point.
• Dead-code introns: Subtrees whose code is never run.
In natural living systems not all DNA has a phenotypic effect. This non-coding DNA,
sometimes referred to as junk DNA, is prevalent in virtually all eukaryotic genomes.
In GP, so-called introns are areas of code that do not affect survival and reproduction
(usually this can be replaced with “do not affect fitness”). In the context of tree-based
GP the term “areas of code” applies to subtrees.
Introns occur naturally in GP, provided that the function and terminal sets allow
for it. As bloat progresses, the number of nodes that are part of introns tends to
increase. Luke [117] distinguished two types of subtrees that are sometimes referred
to as introns in the literature:
• Unoptimized code: Areas of code that can be trivially simplified without modifying
the individual’s functionality, but not replaced with just anything.
• Inviable code: Subtrees that cannot be replaced by anything that can possibly
change the individual’s functionality.
Luke focused on inviable introns and we will do the same because unoptimized
code seems to cast too wide a net and wander too far from the original meaning of
the term “intron” in biology. We also make another distinction between two types of
inviable-code introns:
• Live-code introns: Subtrees that cannot be replaced by anything that can possibly
change the individual’s functionality, but may still generate code that will run
at some point.
• Dead-code introns: Subtrees whose code is never run.
Détails du livre
Sommaire
Critiques (1)
3 commentaires
Essentials of Metaheuristics
de Sean Luke
Public visé :
Intermédiaire
Résumé de l'éditeur
Interested in the Genetic Algorithm? Simulated Annealing? Ant Colony Optimization? Essentials of Metaheuristics covers these and other metaheuristics algorithms, and is intended for undergraduate students, programmers, and non-experts. The book covers a wide range of algorithms, representations, selection and modification operators, and related topics, and includes 70 figures and 133 algorithms great and small. Algorithms include: Gradient Ascent techniques, Hill-Climbing variants, Simulated Annealing, Tabu Search variants, Iterated Local Search, Evolution Strategies, the Genetic Algorithm, the Steady-State Genetic Algorithm, Differential Evolution, Particle Swarm Optimization, Genetic Programming variants, One- and Two-Population Competitive Coevolution, N-Population Cooperative Coevolution, Implicit Fitness Sharing, Deterministic Crowding, NSGA-II, SPEA2, GRASP, Ant Colony Optimization variants, Guided Local Search, LEM, PBIL, UMDA, cGA, BOA, SAMUEL, ZCS, and XCS.
Édition : Lulu.com - 230 pages, 1re édition, 5 mars 2011
ISBN10 : 0557148596 - ISBN13 : 9780557148592
- Chapter 0. Introduction
- Chapter 1. Gradient-based Optimization
- Chapter 2. Single-State Methods
- Chapter 3. Population Methods
- Chapter 4. Representation
- Chapter 5. Parallel Methods
- Chapter 6. Coevolution
- Chapter 7. Multiobjective Optimization
- Chapter 8. Combinatorial Optimization
- Chapter 9. Optimization by Model Fitting
- Chapter 10. Policy Optimization
- Chapter 11. Miscellany
Ce livre était à l'origine une compilation de notes de cours pour des étudiants au niveau licence. Son auteur, Sean Luke, chercheur et professeur à l'Université George Mason, a décidé de le publier sous licence CC-BY-ND, donc disponible gratuitement ici afin de le rendre accessible au plus grand nombre. Sean Luke est également un des auteurs de ECJ, une bibliothèque open source parmi les plus utilisées pour les algorithmes évolutionnistes en Java : le livre peut donc être considéré comme son pendant théorique.
Comme le titre l'indique, le livre traite des métaheuristiques, en se focalisant sur les algorithmes évolutionnistes. Une des caractéristiques appréciables du livre réside dans le fait que l'auteur explique très clairement l'enchaînement et les liens entre les différentes métaheuristiques, en soulignant notamment leurs limites ayant conduit à l'élaboration de nouvelles métaheuristiques, ce qui permet au lecteur de sentir l'évolution de la recherche dans ce domaine. Il montre ainsi l'enchaînement entre l'algorithme du gradient, le recuit simulé, la recherche tabou, les algorithmes évolutionnistes, l'optimisation par essaims particulaires, GRASP et l'algorithme de colonies de fourmis. L'avant-dernier chapitre introduit à l'optimisation de stratégies (policy optimization), en présentant entre autres l'apprentissage par renforcement et les learning classifier systems. Le dernier chapitre intitulé "Miscellany" est une mine d'or contenant des conseils très importants et probablement pas assez respectés sur la méthodologie à suivre pour conduire des expériences ainsi qu'un ensemble de tests usuels pour évaluer une métaheuristique, puis se conclut sur une liste de ressources très utiles (sites Web, livres, librairies, conférences, mailing lists, etc.) pour trouver davantage d'informations.
Chaque algorithme est accompagné d'un pseudocode commenté, soulignant par exemple la particularité de l'algorithme au regard des algorithmes précédents. Les 222 pages du livre contiennent 135 pseudocodes, ce qui montre bien l'accent mis sur l'explication concrète des algorithmes en plus des considérations intuitives ou théoriques. Le livre propose également plus de 70 figures qui permettent de mieux comprendre les algorithmes. Le ton général du livre est direct et les phrases sont formulées de façon très accessible. Pour chaque chapitre, les dépendances avec les chapitres précédents sont indiquées. Tous ces éléments rendent le livre facile et agréable à lire. À noter que le livre ne contient pas d'exercice et ne présente que peu d'applications hormis les exemples abstraits : il faudra donc utiliser ECJ ou une autre bibliothèque pour mettre en œuvre les algorithmes expliqués dans le livre. Le guide d'utilisateur de ECJ est complet et traite sous l'angle technique de la quasi-totalité des concepts du livre touchant aux algorithmes évolutionnistes.
Je conseille donc ce livre à toute personne souhaitant une introduction rapide ou une révision sur les métaheuristiques.
Comme le titre l'indique, le livre traite des métaheuristiques, en se focalisant sur les algorithmes évolutionnistes. Une des caractéristiques appréciables du livre réside dans le fait que l'auteur explique très clairement l'enchaînement et les liens entre les différentes métaheuristiques, en soulignant notamment leurs limites ayant conduit à l'élaboration de nouvelles métaheuristiques, ce qui permet au lecteur de sentir l'évolution de la recherche dans ce domaine. Il montre ainsi l'enchaînement entre l'algorithme du gradient, le recuit simulé, la recherche tabou, les algorithmes évolutionnistes, l'optimisation par essaims particulaires, GRASP et l'algorithme de colonies de fourmis. L'avant-dernier chapitre introduit à l'optimisation de stratégies (policy optimization), en présentant entre autres l'apprentissage par renforcement et les learning classifier systems. Le dernier chapitre intitulé "Miscellany" est une mine d'or contenant des conseils très importants et probablement pas assez respectés sur la méthodologie à suivre pour conduire des expériences ainsi qu'un ensemble de tests usuels pour évaluer une métaheuristique, puis se conclut sur une liste de ressources très utiles (sites Web, livres, librairies, conférences, mailing lists, etc.) pour trouver davantage d'informations.
Chaque algorithme est accompagné d'un pseudocode commenté, soulignant par exemple la particularité de l'algorithme au regard des algorithmes précédents. Les 222 pages du livre contiennent 135 pseudocodes, ce qui montre bien l'accent mis sur l'explication concrète des algorithmes en plus des considérations intuitives ou théoriques. Le livre propose également plus de 70 figures qui permettent de mieux comprendre les algorithmes. Le ton général du livre est direct et les phrases sont formulées de façon très accessible. Pour chaque chapitre, les dépendances avec les chapitres précédents sont indiquées. Tous ces éléments rendent le livre facile et agréable à lire. À noter que le livre ne contient pas d'exercice et ne présente que peu d'applications hormis les exemples abstraits : il faudra donc utiliser ECJ ou une autre bibliothèque pour mettre en œuvre les algorithmes expliqués dans le livre. Le guide d'utilisateur de ECJ est complet et traite sous l'angle technique de la quasi-totalité des concepts du livre touchant aux algorithmes évolutionnistes.
Je conseille donc ce livre à toute personne souhaitant une introduction rapide ou une révision sur les métaheuristiques.
Commenter
Signaler un problème
Bonjour
La rédaction DVP a lu pour vous le livre "Essentials of Metaheuristics", de Sean Luke
Envoyé par Résumé de l'éditeur
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
La rédaction DVP a lu pour vous le livre "Essentials of Metaheuristics", de Sean Luke
Envoyé par Résumé de l'éditeur
Interested in the Genetic Algorithm? Simulated Annealing? Ant Colony Optimization? Essentials of Metaheuristics covers these and other metaheuristics algorithms, and is intended for undergraduate students, programmers, and non-experts. The book covers a wide range of algorithms, representations, selection and modification operators, and related topics, and includes 70 figures and 133 algorithms great and small. Algorithms include: Gradient Ascent techniques, Hill-Climbing variants, Simulated Annealing, Tabu Search variants, Iterated Local Search, Evolution Strategies, the Genetic Algorithm, the Steady-State Genetic Algorithm, Differential Evolution, Particle Swarm Optimization, Genetic Programming variants, One- and Two-Population Competitive Coevolution, N-Population Cooperative Coevolution, Implicit Fitness Sharing, Deterministic Crowding, NSGA-II, SPEA2, GRASP, Ant Colony Optimization variants, Guided Local Search, LEM, PBIL, UMDA, cGA, BOA, SAMUEL, ZCS, and XCS.
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
Dernière modification par 250rgv ; Aujourd'hui à 10h17. Motif: Je n'avais pas vu le lien du dl dans la critique, <connaissant> déjà le livre
Pour info, le livre est aussi disponible en pdf sur la page de l'auteur, c'est à dire ici.
Sinon, on peut aussi l'acheter directement chez lulu.com mais il faudra compter des frais de port, donc au final un peu plus cher que chez Amazon (2€ a ce jour)
Sinon, je ne l'ai pas encore lu mais il est sur la pile
HS : je préfère commander directement chez eux, je pense que dans ce cas, comme il n'y a pas la comm. d'Amazon, Lulu touche un peu plus sur la vente proprement dite, si quelqu'un pouvait confirmer ?
Sinon, on peut aussi l'acheter directement chez lulu.com mais il faudra compter des frais de port, donc au final un peu plus cher que chez Amazon (2€ a ce jour)
Sinon, je ne l'ai pas encore lu mais il est sur la pile
HS : je préfère commander directement chez eux, je pense que dans ce cas, comme il n'y a pas la comm. d'Amazon, Lulu touche un peu plus sur la vente proprement dite, si quelqu'un pouvait confirmer ?
Détails du livre
Sommaire
Critiques (1)
1 commentaire
Evolved to Win
de Moshe Sipper
Résumé de l'éditeur
Recent years have seen a sharp increase in the application of evolutionary computation techniques within the domain of games. Situated at the forefront of this research tidal wave, Moshe Sipper and his group have produced a plethora of award-winning results, in numerous games of diverse natures, evidencing the success and efficiency of evolutionary algorithms in general-and genetic programming in particular-at producing top-notch, human-competitive game strategies. From classic chess and checkers, through simulated car racing and virtual warfare, to mind-bending puzzles, this book serves both as a tour de force of the research landscape and as a guide to the application of evolutionary computation within the domain of games.
Édition : Lulu.com - 193 pages, 1re édition, 28 novembre 2011
ISBN10 : 1470972832 - ISBN13 : 9781470972837
- Part I: Rules of the Game
- Chapter 1. Setting the Pieces
- Chapter 2. Evolutionary Computation in a Nutshell
- Part II: Board Games
- Chapter 3. Lose Checkers
- Chapter 4. Chess: Endgames
- Chapter 5. Chess: Emergence and Complexity
- Chapter 6. Chess: Evolving Search
- Chapter 7. Chess: Evolving Search
- Part III: Simulation Games
- Chapter 8. Robocode
- Chapter 9. Robot Auto Racing Simulator
- Part IV: Puzzles
- Chapter 10. Rush Hour
- Chapter 11. FreeCell
- Part V: Parting Words of...
- Chapter 12. (Putative) Wisdom
- Appendix: A Potpourri of Games
Dans ce livre, l'auteur et chercheur en intelligence artificielle Moshe Sipper présente un état de l'art de la programmation génétique appliquée aux jeux, domaine dans lequel l'auteur et son groupe de recherche ont gagné de nombreuses récompenses. Loin de réduire l'ouvrage à une simple énumération de résultats, il se concentre sur certains jeux qu'il a personnellement étudiés. À travers ces études de cas, il a réussi à structurer le livre de manière à montrer une progression dans l'utilisation de la programmation génétique : après avoir commencé à l'utiliser en tant que générateur et optimisateur d'heuristique, il l'applique directement aux algorithmes de recherche, tout en introduisant les notions de coévolution ainsi que d'évolution en îles asynchrones.
Les jeux étudiés au cours de ce livre se classent en trois catégories :
Les résultats présentés sont palpitants car hautement compétitifs avec les humains ainsi que les bots existants. Les solutions sont analysées en profondeur, notamment pour essayer d'entrevoir si l'évolution a fait apparaître des phénomènes d'émergence parmi les individus évolués. Une particularité du livre est son attachement à souligner les liens entre les algorithmes évolutionnistes et les principes de biologie moléculaire afin d'acquérir une compréhension plus intime de l'évolution. Tout au long de l'ouvrage, une myriade de conseils précieux sont donnés sur l'utilisation de la programmation génétique.
Bien que l'auteur aurait pu aisément faire publier le livre chez un éditeur classique tel Springer, il a fait le choix de la générosité et a décidé de rendre le livre téléchargeable gratuitement à l'adresse http://www.moshesipper.com/etw (licence CC-BY-ND).
Les jeux étudiés au cours de ce livre se classent en trois catégories :
- les jeux de société : une variante du jeu de dames (lose checkers), les échecs et le backgammon ;
- les jeux de simulation : Robocode et le jeu de course RARS ;
- les casse-têtes : Rush Hour et FreeCell.
Les résultats présentés sont palpitants car hautement compétitifs avec les humains ainsi que les bots existants. Les solutions sont analysées en profondeur, notamment pour essayer d'entrevoir si l'évolution a fait apparaître des phénomènes d'émergence parmi les individus évolués. Une particularité du livre est son attachement à souligner les liens entre les algorithmes évolutionnistes et les principes de biologie moléculaire afin d'acquérir une compréhension plus intime de l'évolution. Tout au long de l'ouvrage, une myriade de conseils précieux sont donnés sur l'utilisation de la programmation génétique.
Bien que l'auteur aurait pu aisément faire publier le livre chez un éditeur classique tel Springer, il a fait le choix de la générosité et a décidé de rendre le livre téléchargeable gratuitement à l'adresse http://www.moshesipper.com/etw (licence CC-BY-ND).
Commenter
Signaler un problème
Bonjour
La rédaction DVP a lu pour vous le livre "Evolved to Win", de Moshe Sipper
Envoyé par Résumé de l'éditeur
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
La rédaction DVP a lu pour vous le livre "Evolved to Win", de Moshe Sipper
Envoyé par Résumé de l'éditeur
Recent years have seen a sharp increase in the application of evolutionary computation techniques within the domain of games. Situated at the forefront of this research tidal wave, Moshe Sipper and his group have produced a plethora of award-winning results, in numerous games of diverse natures, evidencing the success and efficiency of evolutionary algorithms in general-and genetic programming in particular-at producing top-notch, human-competitive game strategies. From classic chess and checkers, through simulated car racing and virtual warfare, to mind-bending puzzles, this book serves both as a tour de force of the research landscape and as a guide to the application of evolutionary computation within the domain of games.
L'avez-vous lu ? Comptez-vous le lire bientôt ?
Quel est votre avis ?
Exprimez-vous !! Votre avis nous intéresse...
Merci de l'info, je ne savais pas que ce livre pouvait être téléchargé gratuitement.
Détails du livre
Sommaire
Critiques (2)
7 commentaires
Natural Language Processing with Python
de Steven Bird, Ewan Klein, and Edward Loper
Public visé :
Intermédiaire
Résumé de l'éditeur
This book offers a highly accessible introduction to natural language processing, the field that supports a variety of language technologies, from predictive text and email filtering to automatic summarization and translation. With it, you'll learn how to write Python programs that work with large collections of unstructured text. You'll access richly annotated datasets using a comprehensive range of linguistic data structures, and you'll understand the main algorithms for analyzing the content and structure of written communication.
Packed with examples and exercises, Natural Language Processing with Python will help you:
This book will help you gain practical skills in natural language processing using the Python programming language and the Natural Language Toolkit (NLTK) open source library. If you're interested in developing web applications, analyzing multilingual news sources, or documenting endangered languages -- or if you're simply curious to have a programmer's perspective on how human language works -- you'll find Natural Language Processing with Python both fascinating and immensely useful.
Packed with examples and exercises, Natural Language Processing with Python will help you:
- Extract information from unstructured text, either to guess the topic or identify "named entities"
- Analyze linguistic structure in text, including parsing and semantic analysis
- Access popular linguistic databases, including WordNet and treebanks
- Integrate techniques drawn from fields as diverse as linguistics and artificial intelligence
This book will help you gain practical skills in natural language processing using the Python programming language and the Natural Language Toolkit (NLTK) open source library. If you're interested in developing web applications, analyzing multilingual news sources, or documenting endangered languages -- or if you're simply curious to have a programmer's perspective on how human language works -- you'll find Natural Language Processing with Python both fascinating and immensely useful.
Édition : O'Reilly - 512 pages, 1re édition, 7 juillet 2009
ISBN10 : 0596516495 - ISBN13 : 9780596516499
- Chapter 1. Language Processing and Python
- Chapter 2. Accessing Text Corpora and Lexical Resources
- Chapter 3. Processing Raw Text
- Chapter 4. Writing Structured Programs
- Chapter 5. Categorizing and Tagging Words
- Chapter 6. Learning to Classify Text
- Chapter 7. Extracting Information from Text
- Chapter 8. Analyzing Sentence Structure
- Chapter 9. Building Feature-Based Grammars
- Chapter 10. Analyzing the Meaning of Sentences
- Chapter 11. Managing Linguistic Data
Utilisé par plus d'une centaine de cours dans le monde et disponible gratuitement en ligne à l'adresse http://www.nltk.org/book (licence CC BY-NC-ND), ce livre offre une excellente introduction au traitement automatique des langues naturelles en expliquant les théories par des exemples concrets d'implémentation. Il se veut donc une introduction pratique au domaine, par opposition à une introduction purement théorique. Chaque chapitre du livre se termine par une série d'exercices classés par ordre de difficulté, mais malheureusement non corrigés.
La particularité principale du livre est qu'il présente de nombreux exemples de code, en se basant sur la bibliothèque open-source et gratuite NLTK (http://www.nltk.org) écrite en Python par notamment les auteurs de ce livre. Très bien documentée, la bibliothèque NLTK offre de nombreuses fonctionnalités de traitement des langues (analyse lexicale, étiquetage grammatical, analyse syntaxique, etc.) tout en interfaçant aussi bien des bases de données tel WordNet que des bibliothèques et logiciels tiers tels l'étiqueteur grammatical Stanford Tagger et le prouveur automatisé Prover9. Un grand nombre de corpus est également disponible via NLTK, ce qui est très appréciable pour mettre en œuvre des processus d'entraînement ainsi que pour réaliser des tests, notamment des tests de performance. Comme le livre présente les nombreuses facettes du traitement automatique des langues naturelles, il parcourt au travers de ses exemples une grande partie des fonctionnalités de NLTK.
La limite principale de la bibliothèque NLTK est les performances de Python en termes de vitesse de calcul. L'utilisation de Python permet toutefois au lecteur de ne pas être trop gêné par la barrière du langage, Python étant à ce jour sans conteste un des langages les plus simples d'accès. Pour ceux n'ayant aucune ou peu d'expérience en Python, certaines sections du livre sont dédiées uniquement à l'explication du langage Python, ce qui permet de rendre l'ouvrage accessible à tout public.
Néanmoins, bien que donnant un aperçu excellent et concret de l'ensemble du traitement automatique des langues naturelles, le focus du livre sur les exemples en Python fait que mécaniquement le livre consacre moins de place aux considérations théoriques. En ce sens, il est un complément idéal au livre de référence Speech and Language Processing (écrit par Daniel Jurafsky et James H. Martin) dont l'approche est beaucoup plus théorique.
La particularité principale du livre est qu'il présente de nombreux exemples de code, en se basant sur la bibliothèque open-source et gratuite NLTK (http://www.nltk.org) écrite en Python par notamment les auteurs de ce livre. Très bien documentée, la bibliothèque NLTK offre de nombreuses fonctionnalités de traitement des langues (analyse lexicale, étiquetage grammatical, analyse syntaxique, etc.) tout en interfaçant aussi bien des bases de données tel WordNet que des bibliothèques et logiciels tiers tels l'étiqueteur grammatical Stanford Tagger et le prouveur automatisé Prover9. Un grand nombre de corpus est également disponible via NLTK, ce qui est très appréciable pour mettre en œuvre des processus d'entraînement ainsi que pour réaliser des tests, notamment des tests de performance. Comme le livre présente les nombreuses facettes du traitement automatique des langues naturelles, il parcourt au travers de ses exemples une grande partie des fonctionnalités de NLTK.
La limite principale de la bibliothèque NLTK est les performances de Python en termes de vitesse de calcul. L'utilisation de Python permet toutefois au lecteur de ne pas être trop gêné par la barrière du langage, Python étant à ce jour sans conteste un des langages les plus simples d'accès. Pour ceux n'ayant aucune ou peu d'expérience en Python, certaines sections du livre sont dédiées uniquement à l'explication du langage Python, ce qui permet de rendre l'ouvrage accessible à tout public.
Néanmoins, bien que donnant un aperçu excellent et concret de l'ensemble du traitement automatique des langues naturelles, le focus du livre sur les exemples en Python fait que mécaniquement le livre consacre moins de place aux considérations théoriques. En ce sens, il est un complément idéal au livre de référence Speech and Language Processing (écrit par Daniel Jurafsky et James H. Martin) dont l'approche est beaucoup plus théorique.
Ce livre sur NLTK est réellement bien écrit, il n'est pas nécessaire d'avoir une expérience en traitement automatique du langage pour pouvoir aborder cet ouvrage, il vous apprendra tout ce dont vous avez besoin pour comprendre chaque chapitre. La seule obligation est d'avoir une connaissance du langage Python.
Les exemples sont non seulement simples, mais aussi très utiles, car ce sont des choses dont on pourrait avoir besoin dans une application. J'ai principalement aimé les chapitres sur les extractions d'entités nommées, l'apprentissage pour la création d'un classifieur et l'analyse du sens d'une phrase qui sont particulièrement bien faits et expliqués.
La seule remarque que je ferais est le manque de détails sur toutes les possibilités de création et d'utilisation d'une grammaire via les expressions régulières NLTK ou non.
Les exemples sont non seulement simples, mais aussi très utiles, car ce sont des choses dont on pourrait avoir besoin dans une application. J'ai principalement aimé les chapitres sur les extractions d'entités nommées, l'apprentissage pour la création d'un classifieur et l'analyse du sens d'une phrase qui sont particulièrement bien faits et expliqués.
La seule remarque que je ferais est le manque de détails sur toutes les possibilités de création et d'utilisation d'une grammaire via les expressions régulières NLTK ou non.
Commenter
Signaler un problème
Bonjour,
La rédaction de DVP a lu pour vous l'ouvrage suivant: Natural Language Processing with Python, de Steven Bird, Ewan Klein, et Edward Loper.
Envoyé par Résumé de l'éditeur
L'avez-vous lu? Comptez-vous le lire bientôt?
Quel est votre avis?
Exprimez-vous!! Votre avis nous intéresse.
La rédaction de DVP a lu pour vous l'ouvrage suivant: Natural Language Processing with Python, de Steven Bird, Ewan Klein, et Edward Loper.
Envoyé par Résumé de l'éditeur
This book offers a highly accessible introduction to natural language processing, the field that supports a variety of language technologies, from predictive text and email filtering to automatic summarization and translation. With it, you'll learn how to write Python programs that work with large collections of unstructured text. You'll access richly annotated datasets using a comprehensive range of linguistic data structures, and you'll understand the main algorithms for analyzing the content and structure of written communication.
Packed with examples and exercises, Natural Language Processing with Python will help you:
This book will help you gain practical skills in natural language processing using the Python programming language and the Natural Language Toolkit (NLTK) open source library. If you're interested in developing web applications, analyzing multilingual news sources, or documenting endangered languages -- or if you're simply curious to have a programmer's perspective on how human language works -- you'll find Natural Language Processing with Python both fascinating and immensely useful.
Packed with examples and exercises, Natural Language Processing with Python will help you:
- Extract information from unstructured text, either to guess the topic or identify "named entities"
- Analyze linguistic structure in text, including parsing and semantic analysis
- Access popular linguistic databases, including WordNet and treebanks
- Integrate techniques drawn from fields as diverse as linguistics and artificial intelligence
This book will help you gain practical skills in natural language processing using the Python programming language and the Natural Language Toolkit (NLTK) open source library. If you're interested in developing web applications, analyzing multilingual news sources, or documenting endangered languages -- or if you're simply curious to have a programmer's perspective on how human language works -- you'll find Natural Language Processing with Python both fascinating and immensely useful.
Quel est votre avis?
Exprimez-vous!! Votre avis nous intéresse.
Voici une liste de définitions que j'ai trouvé intéressantes dans ce livre (les pages indiquées sont sous format n° de page du livre / n° de page de mon PDF) :
Un autre dictionnaire de NLP disponible online : http://www.cse.unsw.edu.au/~billw/nlpdict.html
- hypernym/hyponym relation, i.e., the relation between superordinate and subordinate concepts (p69 / 90)
- Another rimportant way to navigate the WordNet network is from items to their components (meronyms) or to the things they are contained in (holonyms) (p710 / 91)
- the same dictionary word (or lemma) (p104 / 125)
- strip off any affixes, a task known as stemming. (p107 / 128)
- Tokenization is the task of cutting a string into identifiable linguistic units that constitute a piece of language data (p109 / 130)
- Tokenization is an instance of a more general problem of segmentation. (p112 § 133)
- The %s and %d symbols are called conversion specifiers (p118 / 139)
- The process of classifying words into their parts-of-speech and labeling them accord-ingly is known as part-of-speech tagging, POS tagging, or simply tagging. Parts-of-speech are also known as word classes or lexical categories. The collection of tagsused for a particular task is known as a tagset. Our emphasis in this chapter is onexploiting tags, and tagging text automatically. (p179 / 200)
- As n gets larger, the specificity of the contexts increases, as does the chance that the data we wish to tag contains contexts that were not present in the training data. This is known as the sparse data problem, and is quite pervasive in NLP. As a consequence, there is a trade-off between the accuracy and the coverage of our results (and this is related to the precision/recall trade-off in information retrieval) (p205 / 226)
- A convenient way to look at tagging errors is the confusion matrix. It charts expected tags (the gold standard) against actual tags gen-erated by a tagger (p207 / 228)
- All languages acquire new lexical items. A list of words recently added to the Oxford Dictionary of English includes cyberslacker, fatoush, blamestorm, SARS, cantopop,bupkis, noughties, muggle, and robata. Notice that all these new words are nouns, and this is reflected in calling nouns an open class. By contrast, prepositions are regarded as a closed class. That is, there is a limited set of words belonging to the class. (p211 / 232)
- Common tagsets often capture some morphosyntactic information, that is, informa-tion about the kind of morphological markings that words receive by virtue of theirsyntactic role. (p212 / 233)
- Classification is the task of choosing the correct class label for a given input. (p221 / 242)
- The first step in creating a classifier is deciding what features of the input are relevant,and how to encode those features. For this example, we’ll start by just looking at thefinal letter of a given name. The following feature extractor function builds a dictionary containing relevant information about a given name. (p223 / 244)
- Recognizing the dialogue acts underlying the utterances in a dialogue can be an important first step in understanding the conversation. The NPS Chat Corpus, which was demonstrated in Section 2.1, consists of over 10,000 posts from instant messaging sessions. These posts have all been labeled with one of 15 dialogue act types, such as “Statement,” “Emotion,” “y/n Question,” and “Continuer.” (p235 / 256)
- Recognizing textual entailment (RTE) is the task of determining whether a given piece of text T entails another text called the “hypothesis”. (p235 / 256)
- A confusion matrix is a table where each cell [i,j] indicates how often label j was pre-dicted when the correct label was i. (p240 / 261)
- Numeric features can be converted to binary features by binning, which replaces them with features such as “4<x<6.” (p249 / 270)
- Named entities are definite noun phrases that refer to specific types of individuals, such as organizations, persons, dates, and so on. The goal of a named entity recognition (NER) system is to identify all textual men-tions of the named entities. This can be broken down into two subtasks: identifyingthe boundaries of the NE, and identifying its type. (p281 / 302)
- Since our grammar licenses two trees for this sentence, the sentence is said to be structurally ambiguous. The ambiguity in question is called a prepositional phrase attachment ambiguity. (p299 / 320)
- A grammar is said to be recursive if a category occurring on the left hand side of a production also appears on the righthand side of a production. (p301 / 322)
- A parser processes input sentences according to the productions of a grammar, and builds one or more constituent structures that conform to the grammar. A grammar is a declarative specification of well-formedness—it is actually just a string, not a program. A parser is a procedural interpretation of the grammar. It searches through the space of trees licensed by a grammar to find one that has the required sentence alongits fringe. (p302 / 323)
- Phrase structure grammar is concerned with how words and sequences of words combine to form constituents. A distinct and complementary approach, dependency grammar, focuses instead on how words relate to other words. (p310 / 331)
- A dependency graph is projective if, when all the words are written in linear order, the edges can be drawn above the words without crossing. (p311 / 332)
- In the tradition of dependency grammar, the verbs in Table 8-3 (whose dependents have Adj, NP, S and PP, which are often called complements of the respective verbs, are different) are said to have different valencies. (p313 / 335)
- This ambiguity is unavoidable, and leads to horrendous inefficiency in parsing seemingly innocuous sentences. The solution to these problems is provided by probabilistic parsing, which allows us to rank the parses of an ambiguous sentence on the basis of evidence from corpora. (p318 / 339)
- A probabilistic context-free grammar (or PCFG) is a context-free grammar that as-sociates a probability with each of its productions. It generates the same set of parses for a text that the corresponding context-free grammar does, and assigns a probability to each parse. The probability of a parse generated by a PCFG is simply the product ofthe probabilities of the productions used to generate it. (p320 / 341)
- We can see that morphological properties of the verb co-vary with syntactic properties of the subject noun phrase. This co-variance is called agreement. (p329 / 350)
- A feature path is a sequence of arcs that can be followed from the root node (p339 / 360)
- A more general feature structure subsumes a less general one. (p341 / 362)
- Merging information from two feature structures is called unification. (p342 / 363)
- The two sentences in (5) can be both true, whereas those in (6) and (7) cannot be. In other words, the sentences in (5) are consistent, whereas those in (6) and (7) are inconsistent. (p365 / 386)
- A model for a set W of sentences is a formal representation of a situation in which allthe sentences in W are true. (p367 / 388)
- An argument is valid if there is no possible situation in which its premises are all true and its conclusion is not true. (p369 / 390)
- In the sentences "Cyril is tall. He likes maths.", we say that he is coreferential with the noun phrase Cyril. (p373 / 394)
- In the sentence "Angus had a dog but he disappeared.", "he" is bound by the indefinite NP "a dog", and this is a different relationship than coreference. If we replace the pronoun he by a dog, the result "Angus had a dog but a dog disappeared" is not semantically equivalent to the original sentence "Angus had a dog but he disappeared." (p374 / 395)
- In general, an occurrence of a variable x in a formula F is free in F if that occurrence doesn’t fall within the scope of all x or some x in F. Conversely, if x is free in formula F, then it is bound in all x.F and exists x.F. If all variable occurrences in a formulaare bound, the formula is said to be closed. (p375 / 396)
- The general process of determining truth or falsity of a formula in a model is called model checking. (p379 / 400)
- Principle of Compositionality: the meaning of a whole is a function of the meaningsof the parts and of the way they are syntactically combined. (p385 / 406)
- ? is a binding operator, just as the first-order logic quantifiers are. (p387 / 408)
- A discourse representation structure (DRS) presents the meaning of discourse in terms of a list of discourse referents and a list of conditions.The discourse referents are the things under discussion in the discourse, and they correspond to the individual variables of first-order logic. The DRS conditions apply to those discourse referents, and correspond to atomic open formulas of first-orderlogic. (p397 / 418)
- Inline annotation modifies the original document by inserting special symbols or control sequences that carry the annotated information. For example, when part-of-speech tagging a document, the string "fly" might be replacedwith the string "fly/NN", to indicate that the word fly is a noun in this context. Incontrast, standoff annotation does not modify the original document, but instead creates a new file that adds annotation information using pointers that reference the original document. For example, this new document might contain the string "<token id=8pos='NN'/>", to indicate that token 8 is a noun. (p421 / 442)
Également, pour ceux intéressés par le sujet, Stanford lance un cours d'introduction au traitement automatique des langues naturelles : http://www.nlp-class.org/
Détails du livre
Sommaire
Critiques (1)
Introduction to Evolutionary Computing
de A. E. Eiben et J. E. Smith
Public visé :
Intermédiaire
Résumé de l'éditeur
Evolutionary Computing is the collective name for a range of problem-solving techniques based on principles of biological evolution, such as natural selection and genetic inheritance. These techniques are being increasingly widely applied to a variety of problems, ranging from practical applications in industry and commerce to leading-edge scientific research. This book presents the first complete overview of this exciting field aimed directly at lecturers and graduate and undergraduate students. It is also meant for those who wish to apply evolutionary computing to a particular problem or within a given application area. To this group the book is valuable because it presents EC as something to be used rather than just studied. Last, but not least, this book contains quick-reference information on the current state-of-the-art in a wide range of related topics, so it is of interest not just to evolutionary computing specialists but to researchers working in other fields.
Édition : Springer - 316 pages, 2e édition, 15 décembre 2010
ISBN10 : 3642072852 - ISBN13 : 9783642072857
- Introduction
- What is an Evolutionary Algorithm?
- Genetic Algorithms
- Evolution Strategies
- Evolutionary Programming
- Genetic Programming
- Learning Classifier Systems
- Parameter Control in Evolutionary Algorithms
- Multi-Modal Problems and Spatial Distribution
- Hybridisation with Other Techniques: Memetic Algorithms
- Theory
- Constraint Handling
- Special Forms of Evolution
- Working with Evolutionary Algorithms
- Summary
- Appendices
- Index
- References
Ce livre est une des références pour s'initier aux algorithmes évolutionnistes : assez court (à peine 300 pages facilement lisibles) et bien conçu pour une première approche du domaine sans avoir à y investir une quantité de temps considérable, tout en étant plutôt complet et sans se perdre dans des détails inutiles, ce qui donne au lecteur un nombre important de pistes de réflexion essentielles pour une bonne compréhension des différentes problématiques rencontrées le plus souvent dans le domaine.
Il est aussi un des premiers ouvrages présentant une vue d'ensemble sur l'évolution artificielle (EA) et il contient notamment les dernières nouveautés du domaine. Les chapitres alternent introductions théoriques, exemples, algorithmes et exercices, et même si les fondements théoriques ne sont pas négligés, l'accent est davantage mis sur la mise en oeuvre concrète des algorithmes et techniques d'évolution artificielle.
Bref, que ce soit pour découvrir le domaine ou se remettre les idées-clefs en mémoire, je conseille vivement la lecture de ce livre ! Pour les enseignants, des supports de présentation sont disponibles sur le site officiel.
Seul bémol notable, les exercices ne sont pas corrigés et certaines parties potentiellement intéressantes du site officiel sont toujours en construction ou ne sont pas terminées.
Tout d'abord, après avoir présenté dans les grandes lignes le fonctionnement ainsi que les caractéristiques d'un algorithme évolutionniste (chapitres 1 et 2), le livre se penche sur ses quatre variantes usuelles : algorithmes génétiques, stratégies d'évolution, programmation évolutionniste et programmation génétique (chapitres 3 à 6).
En deuxième partie, le livre présente diverses améliorations aux quatre classes d'algorithmes classiques vues précédemment :
En troisième partie, les auteurs exposent quelques bases de la théorie sous-jacente à l'EA (chapitre 11), puis expliquent comment y inclure des contraintes, comme par exemple en définissant des pénalités dans la fitness fonction (chapitre 12). Ils présentent également des formes d'évolution (chapitre 13) basées sur la coévolution interactive ou compétitive, formes plus proches de la sélection naturelle où les espèces évoluent ensemble et les critères de sélection sont relatifs (telle l'opposition proies vs prédateurs).
Les auteurs concluent sur les bonnes pratiques de mesure de performance d'une EA (chapitre 14), soulignent que le plus important lors de l'utilisation d'une EA est de trouver une bonne représentation ainsi qu'un choix d'opérateurs de variation et de sélection judicieux, et donnent des pistes de réflexion non étudiées dans le livre, tels les colonies de fourmis ou les systèmes immunitaires artificiels.
Il est aussi un des premiers ouvrages présentant une vue d'ensemble sur l'évolution artificielle (EA) et il contient notamment les dernières nouveautés du domaine. Les chapitres alternent introductions théoriques, exemples, algorithmes et exercices, et même si les fondements théoriques ne sont pas négligés, l'accent est davantage mis sur la mise en oeuvre concrète des algorithmes et techniques d'évolution artificielle.
Bref, que ce soit pour découvrir le domaine ou se remettre les idées-clefs en mémoire, je conseille vivement la lecture de ce livre ! Pour les enseignants, des supports de présentation sont disponibles sur le site officiel.
Seul bémol notable, les exercices ne sont pas corrigés et certaines parties potentiellement intéressantes du site officiel sont toujours en construction ou ne sont pas terminées.
Tout d'abord, après avoir présenté dans les grandes lignes le fonctionnement ainsi que les caractéristiques d'un algorithme évolutionniste (chapitres 1 et 2), le livre se penche sur ses quatre variantes usuelles : algorithmes génétiques, stratégies d'évolution, programmation évolutionniste et programmation génétique (chapitres 3 à 6).
En deuxième partie, le livre présente diverses améliorations aux quatre classes d'algorithmes classiques vues précédemment :
- les LCS (Learning Classifier System - chapitre 7), qui sont un système d'apprentissage automatique basé sur le concept d'ensemble de règles conditions-actions et qui permettent d'introduire la notion de coopération parmi les individus d'une même population, contrairement aux algorithmes évolutionnistes classiques dans lesquels les individus sont simplement en compétition. ZCS et XCS sont des variantes ;
- le "parameter control" (chapitre 8), dont l'objectif est d'adapter certains paramètres structurants des algorithmes évolutionnistes, telles la taille de la population ou la probabilité des mutations/croisements, au cours de l'exécution de l'algorithme, contrairement au "parameter tuning" utilisé habituellement, consistant à fixer ces paramètres au début de l'exécution de l'algorithme sans pouvoir les modifier après, ce qui rend l'algorithme beaucoup moins performant ;
- le maintien d'une certaine diversité au sein de la population (chapitre 9), afin de faire face à la convergence vers un optimum local (genetic drift) souvent constaté, à l'instar de la sélection naturelle qui a vu se former des sous-groupes grâce aux contraintes géographiques. On peut de cette manière trouver autant d'optima locaux que de sous-groupes, permettant ainsi d'obtenir de meilleurs résultats sur les problèmes multimodaux en se rapprochant ainsi de l'optimum global ;
- le multiobjectif (chapitre 9), qui repose sur le concept de dominance au sens de Pareto : beaucoup de problèmes ont en effet plusieurs objectifs, les scalariser en un seul objectif comporte des inconvénients, et les résultats montrent que les MOEA (MultiObjective Evoluationary Algorithms) sont en général les meilleurs algorithmes pour résoudre des MOP (MultiObjective Problems) ;
- les algorithmes mémétiques (chapitre 10), qui permettent d'effectuer des améliorations (local search) non génétiques propres à un seul individu, améliorations se basant sur des connaissances expertes spécifiques au problème, en faisant attention à maintenir une certaine diversité au sein de la population. Les résultats ainsi obtenus par rapport à l'EA classique sont généralement meilleurs sur le problème étudié, mais moins bons pour la plupart des autres problèmes.
En troisième partie, les auteurs exposent quelques bases de la théorie sous-jacente à l'EA (chapitre 11), puis expliquent comment y inclure des contraintes, comme par exemple en définissant des pénalités dans la fitness fonction (chapitre 12). Ils présentent également des formes d'évolution (chapitre 13) basées sur la coévolution interactive ou compétitive, formes plus proches de la sélection naturelle où les espèces évoluent ensemble et les critères de sélection sont relatifs (telle l'opposition proies vs prédateurs).
Les auteurs concluent sur les bonnes pratiques de mesure de performance d'une EA (chapitre 14), soulignent que le plus important lors de l'utilisation d'une EA est de trouver une bonne représentation ainsi qu'un choix d'opérateurs de variation et de sélection judicieux, et donnent des pistes de réflexion non étudiées dans le livre, tels les colonies de fourmis ou les systèmes immunitaires artificiels.
Détails du livre
Critiques (1)
Purely Functional Data Structures
de Chris Okasaki
Résumé de l'éditeur
Most books on data structures assume an imperative language such as C or C++. However, data structures for these languages do not always translate well to functional languages such as Standard ML, Haskell, or Scheme. This book describes data structures from the point of view of functional languages, with examples, and presents design techniques that allow programmers to develop their own functional data structures. The author includes both classical data structures, such as red-black trees and binomial queues, and a host of new data structures developed exclusively for functional languages. All source code is given in Standard ML and Haskell, and most of the programs are easily adaptable to other functional languages. This handy reference for professional programmers working with functional languages can also be used as a tutorial or for self-study.
Édition : Cambridge University Press - 220 pages, 1re édition, 13 juin 1999
ISBN10 : 0521663504 - ISBN13 : 9780521663502
Cet ouvrage reprend l'intégralité de la thèse de Chris Okasaki avec tous ses points forts, à commencer par les nouvelles techniques algorithmiques avancées (eliminated amortization, lazy rebuilding, data-structural bootstrapping, implicit recursive slowdown). Les systèmes de numération y sont utilisés comme des moules pour fabriquer des TADs sur le modèle des opérations élémentaires d'incrémentation et d'addition. Le système de typage est poussé aussi loin que possible avec les nested data types (polymorphic recursion), les modules paramétrés et les modules paramétrés récursifs.
En plus du contenu de la thèse qui fait déjà autorité, la valeur ajoutée de ce livre réside dans :
- une introduction à la persistence et au path-copying
- un rappel sur l'implantation des structures de données élémentaires (listes,piles,queues,arbres binaire de recherche, arbres rouge-noir)
- des exercices qui explorent des alternatives connues (arbres de Arne Andersson,...) ou des variantes du mécanisme de mise à jour (batched-rebuilding)
- un répertoire d'implantations des structures de tas, assez consistant (leftist heaps, pairing heaps, binomial heap, skew binomial heap, structural-bootstrapped skew binomial heap) sans être exhaustif (il manque le Braun heap et le maxiphobic heap)
En bref il s'agit d'une référence à posséder absolument.
Un seul regret: l'ouvrage n'a pas la prétention d'être une bible. Il ne fait pas le tour complet du sujet puisque par exemple, ne sont pas abordés les thèmes suivants:
- le Finger-tree
- l'implantation efficace des graphes inductifs
- l'implantation efficace de l'Union-Find persistent
Cependant, pour les personnes intéressées, de la documentation sur ces sujets est facilement trouvable en ligne.
En plus du contenu de la thèse qui fait déjà autorité, la valeur ajoutée de ce livre réside dans :
- une introduction à la persistence et au path-copying
- un rappel sur l'implantation des structures de données élémentaires (listes,piles,queues,arbres binaire de recherche, arbres rouge-noir)
- des exercices qui explorent des alternatives connues (arbres de Arne Andersson,...) ou des variantes du mécanisme de mise à jour (batched-rebuilding)
- un répertoire d'implantations des structures de tas, assez consistant (leftist heaps, pairing heaps, binomial heap, skew binomial heap, structural-bootstrapped skew binomial heap) sans être exhaustif (il manque le Braun heap et le maxiphobic heap)
En bref il s'agit d'une référence à posséder absolument.
Un seul regret: l'ouvrage n'a pas la prétention d'être une bible. Il ne fait pas le tour complet du sujet puisque par exemple, ne sont pas abordés les thèmes suivants:
- le Finger-tree
- l'implantation efficace des graphes inductifs
- l'implantation efficace de l'Union-Find persistent
Cependant, pour les personnes intéressées, de la documentation sur ces sujets est facilement trouvable en ligne.