Apprentissage automatique (revue)

Machine Learning est une revue scientifique à comité de lecture , publiée depuis 1986.

En 2001, quarante rédacteurs et membres du comité de rédaction de Machine Learning ont démissionné pour soutenir le Journal of Machine Learning Research (JMLR), affirmant qu'à l'ère d'Internet, il était préjudiciable pour les chercheurs de continuer à publier leurs articles dans des revues coûteuses dont les archives sont payantes. Au lieu de cela, écrivaient-ils, ils soutenaient le modèle du JMLR , dans lequel les auteurs conservaient les droits d'auteur sur leurs articles et les archives étaient librement disponibles sur Internet.

Suite à cette démission massive, Kluwer a modifié sa politique de publication pour permettre aux auteurs d'auto-archiver leurs articles en ligne après un examen par les pairs .

• JR Quinlan (1986). « Induction d'arbres de décision ». Machine Learning . 1 : 81– 106. doi : 10.1007/BF00116251 .
• Nick Littlestone (1988). « Apprendre rapidement lorsque les attributs non pertinents abondent : un nouvel algorithme à seuil linéaire » (PDF) . Machine Learning . 2 (4) : 285– 318. doi : 10.1007/BF00116827 .
• John R. Anderson et Michael Matessa (1992). « Explorations d'un algorithme bayésien incrémental pour la catégorisation ». Machine Learning . 9 (4) : 275– 308. doi : 10.1007/BF00994109 .
• David Klahr (1994). « Enfants, adultes et machines en tant que systèmes de découverte ». Machine Learning . 14 (3) : 313– 320. doi : 10.1007/BF00993981 .
• Thomas Dean et Dana Angluin et Kenneth Basye et Sean Engelson et Leslie Kaelbling et Evangelos Kokkevis et Oded Maron (1995). « Inférence d'automates finis avec des fonctions de sortie stochastiques et une application à l'apprentissage cartographique ». Machine Learning . 18 : 81– 108. doi : 10.1007/BF00993822 .
• Luc De Raedt et Luc Dehaspe (1997). "Clausal Discovery". Machine Learning . 26 (2/3): 99– 146. doi : 10.1023/A:1007361123060 .
• C. de la Higuera (1997). « Ensembles de caractéristiques pour l'inférence grammaticale ». Machine Learning . 27 : 1– 14.
• Robert E. Schapire et Yoram Singer (1999). « Amélioration des algorithmes de boosting à l'aide de prédictions évaluées par la confiance ». Machine Learning . 37 (3) : 297– 336. doi : 10.1023/A:1007614523901 .
• Robert E. Schapire et Yoram Singer (2000). « BoosTexter : un système basé sur le boosting pour la catégorisation de texte ». Machine Learning . 39 (2/3) : 135– 168. doi : 10.1023/A:1007649029923 .
• P. Rossmanith et T. Zeugmann (2001). « Apprentissage fini stochastique des langages de motifs ». Machine Learning . 44 ( 1– 2): 67– 91. doi : 10.1023/A:1010875913047 .
• Parekh, Rajesh ; Honavar, Vasant (2001). « Apprendre l'AFD à partir d'exemples simples ». Machine Learning . 44 (1/2) : 9– 35. doi : 10.1023/A:1010822518073 .
• Ayhan Demiriz et Kristin P. Bennett et John Shawe-Taylor (2002). « Boosting de programmation linéaire via la génération de colonnes ». Machine Learning . 46 : 225– 254. doi : 10.1023/A:1012470815092 .
• Simon Colton et Stephen Muggleton (2006). « Applications mathématiques de la programmation logique inductive » (PDF) . Machine Learning . 64 ( 1– 3): 25– 64. doi : 10.1007/s10994-006-8259-x .
• Will Bridewell et Pat Langley et Ljupco Todorovski et Saso Dzeroski (2008). « Modélisation de processus inductifs ». Apprentissage automatique .
• Stephen Muggleton et Alireza Tamaddoni-Nezhad (2008). « QG/GA : une recherche stochastique de Progol ». Apprentissage automatique . 70 ( 2-3 ) : 121-133 . est ce que je : 10.1007/s10994-007-5029-3 .