{"product_id":"111035","title":"Reconnaissance de formes et apprentissage automatique ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYED7oHoYRKYNNpvXfEspPr3e0mYZ.png?v=1765048543\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Reconnaissance de formes et apprentissage automatique \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/64189352\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e  \u003cdiv\u003eCet ouvrage aborde les thèmes généraux de la reconnaissance de formes basée sur les probabilités\/statistiques et de l'apprentissage automatique qui se sont développés au cours des dernières décennies.\u003cbr\u003e Aucune connaissance préalable en reconnaissance de formes ou en apprentissage automatique n'est requise pour comprendre le contenu, mais une expérience en calcul multivarié et en algèbre linéaire de base est recommandée.\u003cbr\u003e Il comprend également une introduction aux bases de la théorie des probabilités, donc une connaissance préalable de cette théorie n'est pas forcément requise.\u003cbr\u003e Bien que principalement destiné aux étudiants de dernière année de licence et aux doctorants de première année, il convient également aux chercheurs du domaine et à toute personne utilisant l'apprentissage automatique dans l'industrie.\u003cbr\u003e Il convient également à une utilisation dans des cours portant sur des domaines tels que l'apprentissage automatique, les statistiques, le génie informatique, le traitement du signal, la vision par ordinateur, l'exploration de données et la bioinformatique.\u003cbr\u003e\n\n\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre. \u003cbr\u003e\u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e CHAPITRE 1 Introduction 1\u003cbr\u003e 1.1 Exemple : Ajustement de courbe polynomiale _ 5\u003cbr\u003e 1.2 Théorie des probabilités _ 13\u003cbr\u003e 1.3 Sélection du modèle _ 36\u003cbr\u003e Malédiction 1.4 dimensionnel _ 37\u003cbr\u003e 1.5 Théorie de la décision _ 42\u003cbr\u003e 1.6 Théorie de l'information _ 54\u003cbr\u003e\u003cbr\u003e CHAPITRE 2 DISTRIBUTIONS DE PROBABILITÉ 75\u003cbr\u003e 2.1 Variables aléatoires discrètes _ 76\u003cbr\u003e 2.2 Variables polynomiales _ 83\u003cbr\u003e 2.3 Distribution gaussienne _ 87\u003cbr\u003e 2.4 Famille d'exposants _ 126\u003cbr\u003e 2.5 Méthodes non paramétriques _ 134\u003cbr\u003e\u003cbr\u003e CHAPITRE 3 Modèles de régression linéaire 155\u003cbr\u003e 3.1 Modèle de fonction de base linéaire _ 156\u003cbr\u003e 3.2 Décomposition de la variance du biais _ 166\u003cbr\u003e 3.3 Régression linéaire bayésienne _ 172\u003cbr\u003e 3.4 Comparaison de modèles bayésiens _ 181\u003cbr\u003e 3.5 Approximation des preuves _ 186\u003cbr\u003e\u003cbr\u003e CHAPITRE 4 Modèles de classification linéaire 201\u003cbr\u003e 4.1 Fonction discriminante _ 203\u003cbr\u003e 4.2 Modèles génératifs probabilistes _ 221\u003cbr\u003e 4.3 Modèle discriminant probabiliste _ 229\u003cbr\u003e 4.4 Approximation de Laplace _ 240\u003cbr\u003e 4.5 Régression logistique bayésienne _ 245\u003cbr\u003e\u003cbr\u003e CHAPITRE 5 RÉSEAUX NEURONAUX 253\u003cbr\u003e 5.1 Fonction du réseau à propagation directe _ 255\u003cbr\u003e 5.2 Formation réseau _ 261\u003cbr\u003e 5.3 Rétropropagation des erreurs _ 271\u003cbr\u003e 5.4 Matrice hessienne _ 281\u003cbr\u003e 5.5 Régularisation dans les réseaux de neurones _ 289\u003cbr\u003e 5.6 Réseaux à densité mixte _ 306 \u003cbr\u003e5.7 Réseaux de neurones bayésiens _ 312\u003cbr\u003e\u003cbr\u003e CHAPITRE 6 Méthodologie du noyau 327\u003cbr\u003e 6.1 Représentation duale _ 329\u003cbr\u003e 6.2 Configuration du noyau _ 330\u003cbr\u003e 6.3 Réseaux de fonctions de base radiales _ 336\u003cbr\u003e 6.4 Processus gaussiens _ 341\u003cbr\u003e\u003cbr\u003e CHAPITRE 7 Machines à noyau clairsemé 363\u003cbr\u003e 7.1 Classificateur à marge maximale _ 364\u003cbr\u003e 7.2 Machines à vecteurs de corrélation _ 387\u003cbr\u003e\u003cbr\u003e CHAPITRE 8 MODÈLES GRAPHIQUES 403\u003cbr\u003e 8.1 Réseaux bayésiens _ 404\u003cbr\u003e 8.2 Indépendance conditionnelle _ 418\u003cbr\u003e 8.3 Champs aléatoires de Markov _ 431\u003cbr\u003e 8.4 Inférence dans les modèles graphiques _ 443\u003cbr\u003e\u003cbr\u003e CHAPITRE 9 Modèles mixtes et EM 477\u003cbr\u003e 9,1 K clustering moyen _ 478\u003cbr\u003e 9.2 Gaussiennes mixtes _ 485\u003cbr\u003e 9.3 Une autre perspective sur l'EM _ 495\u003cbr\u003e 9.4 Algorithme EM général _ 507\u003cbr\u003e\u003cbr\u003e CHAPITRE 10 Estimation approximative 517\u003cbr\u003e 10.1 Inférence variationnelle _ 518\u003cbr\u003e 10.2 Exemple : Distribution de mélange gaussien variationnel _ 531\u003cbr\u003e 10.3 Régression linéaire variationnelle _ 545\u003cbr\u003e 10.4 Distributions exponentielles _ 549\u003cbr\u003e 10.5 Méthodologie de variation régionale _ 552\u003cbr\u003e 10.6 Régression logistique variationnelle _ 558\u003cbr\u003e 10.7 EP _ 566\u003cbr\u003e\u003cbr\u003e CHAPITRE 11 Méthodes d'échantillonnage 587\u003cbr\u003e 11.1 Algorithmes d'échantillonnage de base _ 590\u003cbr\u003e 11.2 Chaîne de Markov Monte Carlo _ 603 \u003cbr\u003e11.3 Méthode d'échantillonnage de Gibbs _ 608\u003cbr\u003e 11.4 Méthode d'échantillonnage de fragments _ 613\u003cbr\u003e 11.5 Algorithme hybride de Monte Carlo _ 615\u003cbr\u003e 11.6 Estimation de la fonction de partition _ 622\u003cbr\u003e\u003cbr\u003e CHAPITRE 12 Variables latentes continues 627\u003cbr\u003e 12.1 PCA _ 629\u003cbr\u003e 12.2 ACP probabiliste _ 640\u003cbr\u003e 12.3 PCA du noyau _ 657\u003cbr\u003e 12.4 Modèles à variables latentes non linéaires _ 662\u003cbr\u003e\u003cbr\u003e CHAPITRE 13 Données séquentielles 677\u003cbr\u003e 13.1 Modèles de Markov _ 679\u003cbr\u003e 13.2 Modèles de Markov cachés _ 682\u003cbr\u003e 13.3 Systèmes dynamiques linéaires _ 710\u003cbr\u003e\u003cbr\u003e CHAPITRE 14 COMBINAISONS MODÈLES 729\u003cbr\u003e 14.1 Moyenne du modèle bayésien _ 730\u003cbr\u003e 14.2 Méthode du comité _ 732\u003cbr\u003e 14.3 Boost _ 733\u003cbr\u003e 14.4 Modèles arborescents _ 740\u003cbr\u003e 14.5 Modèles de mélange conditionnels _ 744\u003cbr\u003e\u003cbr\u003e Annexe A.\u003cbr\u003e Ensemble de données 757\u003cbr\u003e Chiffres manuscrits _ 757\u003cbr\u003e Débit d'huile _ 758\u003cbr\u003e Croyances anciennes _ 761\u003cbr\u003e Données synthétiques _ 762\u003cbr\u003e\u003cbr\u003e Annexe B.\u003cbr\u003e Distribution de probabilité 765\u003cbr\u003e Distribution de Bernoulli _ 765\u003cbr\u003e Distribution bêta _ 766\u003cbr\u003e Distribution binomiale _ 766\u003cbr\u003e Distribution de Dirichlet _ 767\u003cbr\u003e Distribution gamma _ 768\u003cbr\u003e Distribution gaussienne _ 768\u003cbr\u003e Distribution gamma gaussienne _ 770\u003cbr\u003e Distribution de Wishart gaussienne _ 770\u003cbr\u003e Distribution multinomiale _ 771\u003cbr\u003e Distribution normale _ 772\u003cbr\u003e Distribution t de Student _ 772\u003cbr\u003e Distribution uniforme _ 773 \u003cbr\u003eDistribution von Mises _ 773\u003cbr\u003e Distribution Wishart _ 774\u003cbr\u003e\u003cbr\u003e Annexe C.\u003cbr\u003e Propriétés des matrices 775 Propriétés de base des matrices _ 775\u003cbr\u003e Sommes diagonales et déterminants _ 777\u003cbr\u003e Différentiation matricielle _ 778\u003cbr\u003e Formule des valeurs propres _ 779\u003cbr\u003e\u003cbr\u003e Annexe D.\u003cbr\u003e Calcul des variations 783\u003cbr\u003e\u003cbr\u003e Annexe E.\u003cbr\u003e Méthode des multiplicateurs de Lagrange 787\u003cbr\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate1973\/MidCate001\/197208925.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eDans le livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e Trouver un schéma spécifique dans des données données est parfois un problème très important.\u003cbr\u003e L'humanité cherche depuis longtemps des réponses à cette question et a souvent réussi à trouver des schémas.\u003cbr\u003e Par exemple, Johannes Kepler a découvert les lois de Kepler sur le mouvement des planètes en trouvant des régularités dans la grande quantité de données astronomiques que Tycho Brahe avait observées et accumulées au XVIe siècle.\u003cbr\u003e Cette loi est devenue le fondement de la mécanique classique.\u003cbr\u003e À titre d'exemple supplémentaire, la découverte de régularités dans les spectres atomiques a joué un rôle crucial dans le développement et la confirmation de la physique quantique au début du XXe siècle. \u003cbr\u003eAinsi, la reconnaissance de formes est un domaine qui utilise des algorithmes informatiques pour trouver automatiquement des modèles dans les données et utiliser ces modèles pour classer les données en différentes catégories.\u003cbr\u003e _1p\u003cbr\u003e\u003cbr\u003e L'une des limites de l'approche paramétrique est qu'elle suppose que la distribution a une forme fonctionnelle spécifique.\u003cbr\u003e Pour certaines applications, cette hypothèse n'est pas appropriée, auquel cas des méthodes d'estimation de densité non paramétriques peuvent être utilisées comme alternative.\u003cbr\u003e Dans les méthodes d'estimation de densité non paramétriques, la forme de la distribution dépend de la taille de l'ensemble de données.\u003cbr\u003e Ces modèles comportent toujours des paramètres, mais ces paramètres ne déterminent pas la forme de la distribution, mais affectent plutôt la complexité du modèle.\u003cbr\u003e De plus, à la fin de ce chapitre, nous examinerons les méthodes non paramétriques basées sur les histogrammes, les plus proches voisins et les noyaux. \u003cbr\u003e_76p\u003cbr\u003e\u003cbr\u003e Dans ce chapitre, nous avons examiné des distributions de probabilité qui ont une forme fonctionnelle spécifique.\u003cbr\u003e Ces distributions sont régies par un petit nombre de paramètres déterminés par l'ensemble de données.\u003cbr\u003e Ces méthodes sont appelées méthodes paramétriques de modélisation de la densité.\u003cbr\u003e L'une des principales limites de cette méthodologie est que la fonction de densité choisie peut ne pas constituer un modèle approprié pour représenter la distribution qui a généré les données observées.\u003cbr\u003e Dans ce cas, les performances de prédiction du modèle deviennent très médiocres.\u003cbr\u003e Par exemple, si la distribution d'origine qui a créé les données était une distribution multimodale, il est absolument impossible de capturer cette propriété multimodale en utilisant une distribution gaussienne unimodale.\u003cbr\u003e 134p\u003cbr\u003e\u003cbr\u003e Le problème de surapprentissage associé aux méthodes du maximum de vraisemblance peut être évité en marginalisant (en sommant ou en intégrant) les paramètres du modèle au lieu d'effectuer des estimations ponctuelles sur les paramètres du modèle. \u003cbr\u003eDans ce cas, les modèles peuvent être comparés directement sur la base de l'ensemble d'entraînement, ce qui élimine le besoin d'un ensemble de validation.\u003cbr\u003e Toutes les données disponibles peuvent être utilisées pour l'entraînement, évitant ainsi les multiples essais d'entraînement nécessaires pour chaque modèle afin de mettre en œuvre la validation croisée.\u003cbr\u003e De plus, plusieurs paramètres de complexité peuvent être déterminés simultanément au cours d'un seul processus d'entraînement.\u003cbr\u003e Par exemple, au chapitre 7, nous examinerons les machines à vecteurs de pertinence, qui sont des modèles bayésiens avec un seul paramètre de complexité pour chaque point de données d'entraînement.\u003cbr\u003e _182p\u003cbr\u003e \u003cbr\u003eLe terme « réseau neuronal » est né des efforts déployés pour exprimer mathématiquement le traitement de l'information dans les systèmes biologiques (McCulloch et Pitts, 1943 ; Widrow et Hoff, 1960 ; Rosenblatt, 1962 ; Rumelhart et al., 1986), et a été utilisé de manière très large pour désigner divers modèles.\u003cbr\u003e Certains de ces modèles ont été remis en question en raison de leur validité biologique surestimée.\u003cbr\u003e Mais du point de vue des applications de reconnaissance de formes, la question de savoir si quelque chose est biologiquement proche de la réalité ou non constitue une contrainte supplémentaire inutile.\u003cbr\u003e Par conséquent, ce chapitre se concentrera sur la discussion des réseaux neuronaux en tant que modèles efficaces de reconnaissance de formes statistiques.\u003cbr\u003e Nous nous concentrerons en particulier sur le modèle de perceptron multicouche, qui s'est avéré être le plus utile en termes d'application pratique parmi les réseaux neuronaux.\u003cbr\u003e _254p\u003cbr\u003e \u003cbr\u003eSi l'on définit une distribution conjointe pour les variables observées et les variables latentes, la distribution des seules variables observées correspondantes peut être obtenue par marginalisation.\u003cbr\u003e Cela nous permet d'exprimer les distributions marginales pour des variables observées complexes à travers des distributions conjointes sur l'espace d'extension des variables observées et des variables latentes, relativement plus facile à manipuler.\u003cbr\u003e Par conséquent, en introduisant des variables latentes, nous pouvons construire des distributions complexes à partir d'éléments simples.\u003cbr\u003e Dans ce chapitre, nous examinerons des modèles de mélange qui peuvent être interprétés à partir de variables latentes discrètes.\u003cbr\u003e Un exemple de ceci est le modèle de mélange gaussien discuté dans la section 2.3.9 ci-dessus.\u003cbr\u003e Nous aborderons les variables latentes continues au chapitre 12.\u003cbr\u003e _477p\u003cbr\u003e\u003cbr\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e --- Extrait du texte\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003eLa pensée mathématique pour une compréhension efficace des concepts modernes de reconnaissance de formes et d'apprentissage automatique !\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eL'apprentissage automatique a suscité plus d'attention que jamais ces dernières années.\u003cbr\u003e En particulier, le match de 2016 entre AlphaGo et Lee Sedol, 9e dan, a servi de catalyseur pour que davantage de personnes s'intéressent au domaine de l'intelligence artificielle.\u003cbr\u003e Cela s'explique par le fait que les performances de divers algorithmes d'apprentissage automatique, notamment l'apprentissage profond, se sont récemment améliorées de manière significative.\u003cbr\u003e\u003cbr\u003e L'apprentissage automatique n'est pas une technologie nouvelle qui a émergé récemment.\u003cbr\u003e Les techniques d'apprentissage automatique sont utilisées depuis longtemps dans divers domaines nécessitant la résolution de problèmes d'optimisation ou la réalisation de prédictions à partir de données.\u003cbr\u003e L'apprentissage profond, qui a récemment suscité le plus d'attention, repose sur des algorithmes de réseaux neuronaux proposés pour la première fois il y a plusieurs décennies. \u003cbr\u003eLa technologie des réseaux neuronaux, longtemps négligée par le monde universitaire, a pris une nouvelle forme grâce aux progrès matériels tels que les GPU, à l'énorme quantité de données générées par des entreprises comme Google et Facebook, et aux diverses améliorations algorithmiques.\u003cbr\u003e\u003cbr\u003e Cet ouvrage aborde les thèmes généraux de la reconnaissance de formes basée sur les probabilités\/statistiques et de l'apprentissage automatique qui se sont développés au cours des dernières décennies.\u003cbr\u003e Aucune connaissance préalable en reconnaissance de formes ou en apprentissage automatique n'est requise pour comprendre le contenu, mais une expérience en calcul multivarié et en algèbre linéaire de base est recommandée.\u003cbr\u003e Il comprend également une introduction aux bases de la théorie des probabilités, donc une connaissance préalable de cette théorie n'est pas forcément requise. \u003cbr\u003eBien que principalement destiné aux étudiants de dernière année de licence et aux doctorants de première année, il convient également aux chercheurs du domaine et à toute personne utilisant l'apprentissage automatique dans l'industrie.\u003cbr\u003e Il convient également à une utilisation dans des cours portant sur des domaines tels que l'apprentissage automatique, les statistiques, le génie informatique, le traitement du signal, la vision par ordinateur, l'exploration de données et la bioinformatique. \u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate de publication :\u003c\/strong\u003e 10 septembre 2018\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 852 pages | 1 662 g | 188 × 245 × 37 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791188621255\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN10 :\u003c\/strong\u003e 1188621254 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43892979564586,"sku":"111035","price":68.96,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/2a02bf2b3c6828e6fe50e57ab6d2270a.jpg?v=1765384430","url":"https:\/\/librairie.coreenne.fr\/products\/111035","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}