Chapitre 1 : Mon premier apprentissage automatique

01-1 Intelligence artificielle, apprentissage automatique et apprentissage profond
Qu'est-ce que l'intelligence artificielle ?
Qu'est-ce que l'apprentissage automatique ?
Qu'est-ce que l'apprentissage profond ?
[Points clés se terminant par des mots-clés]
Ce que vous apprendrez de ce livre

01-2 Colab et Jupyter Notebook
Google Colab
Cellule de texte
Cellule de code
ordinateur portable
[Points clés se terminant par des mots-clés]
[Barre d'outils sous forme de tableau et Markdown]
[Problème de confirmation]

01-3 Marchés et apprentissage automatique
Problème de classification des poissons
Le premier programme d'apprentissage automatique
[Processus de résolution de problèmes] Classification des daurades et des poissons des glaces
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 02 Gestion des données

02-1 Ensemble d'entraînement et ensemble de test
Apprentissage supervisé et non supervisé
Ensemble d'entraînement et ensemble de test
biais d'échantillonnage
NumPy
Deuxième programme d'apprentissage automatique
Évaluation du modèle de formation [Processus de résolution de problèmes]
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

02-2 Prétraitement des données
Préparation des données avec NumPy
Séparation des ensembles d'entraînement et de test avec scikit-learn
Une dorade suspecte
Respecter les normes
Entraînement d'un modèle avec des données prétraitées
[Processus de résolution de problèmes] Gestion des caractéristiques à différentes échelles
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 3 : Algorithmes de régression et régularisation des modèles

03-1 Régression des k plus proches voisins
régression des k plus proches voisins
Préparation des données
Coefficient de détermination (R²)
Surapprentissage vs sous-apprentissage
[Processus de résolution de problèmes] Gestion des problèmes de régression
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

03-2 Régression linéaire
Limites des k plus proches voisins
régression linéaire
régression polynomiale
[Processus de résolution de problèmes] Prédiction d'échantillons hors de l'ensemble d'entraînement par régression linéaire
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

03-3 Ingénierie caractéristique et réglementation
régression multiple
Préparation des données
Le convertisseur de scikit-learn
Entraînement d'un modèle de régression multiple
règlement
Régression de Rutge
Régression Lasso
[Processus de résolution de problèmes] Contrôle du surapprentissage du modèle
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 4 : Différents algorithmes de classification

04-1 Régression logistique
Probabilité du sac porte-bonheur
régression logistique
[Processus de résolution de problèmes] Prédiction des probabilités par régression logistique
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

04-2 Descente de gradient stochastique
Apprentissage progressif
SGDClassifier
Époques et sur/sous-ajustement
[Processus de résolution de problèmes] Descente de gradient stochastique pour l'apprentissage incrémental
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 05 Algorithme d'arbre

05-1 Arbre de décision
Classification des vins par régression logistique
Arbre de décision
[Processus de résolution de problèmes] Modèle d'arbre de décision facile à comprendre
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

05-2 Validation croisée et recherche par grille
Ensemble de validation
validation croisée
Réglage des hyperparamètres
[Processus de résolution de problèmes] Exploration des hyperparamètres pour le modèle optimal
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

05-3 Ensemble d'arbres
Données structurées et non structurées
Forêt aléatoire
Arbre supplémentaire
Gradient Boosting
Boost de gradient basé sur l'histogramme
[Processus de résolution de problèmes] Amélioration des performances grâce à l'apprentissage en ensemble
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 6 : Apprentissage non supervisé

06-1 Algorithme de clustering
Apprentissage non supervisé sans connaissance de la cible
Préparation des données photographiques des fruits
Analyse des valeurs des pixels
Choisissez une photo proche de la moyenne
[Processus de résolution de problèmes] Regroupement d'échantillons similaires
[Points clés se terminant par des mots-clés]
[Problème de confirmation]

06-2 k-moyennes
Introduction à l'algorithme des k-moyennes
Classe KMeans
Centre de cluster
Trouver la valeur optimale de k
[Processus de résolution de problèmes] Classification automatique des fruits
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

06-3 Analyse en composantes principales
Dimensions et réduction de dimensions
Introduction à l'analyse en composantes principales
Cours PCA
Reconstitution des données originales
Variance expliquée
À utiliser avec d'autres algorithmes
[Processus de résolution de problèmes] Réduction de dimensionnalité par analyse en composantes principales
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Foire aux questions]

Chapitre 7 : Premiers pas avec l’apprentissage profond

07-1 Réseau de neurones artificiels
Mode MNIST
Classification des articles de mode par régression logistique
réseau neuronal artificiel
Construction de modèles avec des réseaux neuronaux artificiels
Classification des articles de mode à l'aide de réseaux neuronaux artificiels
[Processus de résolution de problèmes] Amélioration des performances grâce aux modèles de réseaux neuronaux artificiels
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

07-2 Réseau neuronal profond
2 étages
Construction d'un réseau neuronal profond
Une autre façon d'ajouter des calques
Fonction ReLU
Optimiseur
[Processus de résolution de problèmes] Réseaux neuronaux profonds utilisant l'API Keras
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]

07-3 Entraînement du modèle de réseau neuronal
courbe de perte
Perte de vérification
Abandonner
Sauvegarde et restauration des modèles
rappel
[Processus de résolution de problèmes] Obtention du meilleur modèle de réseau neuronal
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]
[Foire aux questions]

Chapitre 8 : Réseaux de neurones artificiels pour les images

08-1 Composants d'un réseau neuronal convolutif
Convolution
couche de convolution Keras
Structure globale d'un réseau neuronal convolutif
[Processus de résolution de problèmes] Comprendre les couches de convolution et de pooling
[Points clés se terminant par des mots-clés]
[Problème de confirmation]

08-2 Classification d'images à l'aide de réseaux neuronaux convolutifs
Importation des données MNIST sur la mode
Création d'un réseau neuronal convolutif
Compilation et formation du modèle
[Processus de dépannage] Implémentation d'un réseau neuronal convolutif avec l'API Keras
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]

08-3 Visualisation des réseaux neuronaux convolutifs
Visualisation du poids
API fonctionnelle
Visualisation de la carte des caractéristiques
[Processus de résolution de problèmes] Comprendre les réseaux neuronaux convolutifs par la visualisation
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]
[Foire aux questions]

Chapitre 9 : Réseaux de neurones artificiels pour le texte

09-1 Données séquentielles et réseaux neuronaux récurrents
Données séquentielles
réseaux neuronaux récurrents
Poids des cellules et entrées/sorties
[Processus de résolution de problèmes] Traitement des données circulaires avec des réseaux neuronaux récurrents
[Points clés se terminant par des mots-clés]
[Problème de confirmation]

09-2 Classification des critiques IMDB à l'aide de réseaux neuronaux récurrents
Ensemble de données des critiques IMDB
Création d'un réseau neuronal récurrent
Entraînement d'un réseau neuronal récurrent
Utilisation des plongements lexicaux
[Processus de dépannage] Implémentation de réseaux neuronaux récurrents avec l'API Keras
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]

Cellules 09-3 LSTM et GRU
structure LSTM
Entraînement d'un réseau neuronal LSTM
Application du dropout aux couches récurrentes
Relier deux couches
structure du GRU
Entraînement d'un réseau neuronal GRU
[Processus de résolution de problèmes] Formation avec des cellules LSTM et GRU
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
[Voir les versions de PyTorch]
[Foire aux questions]

Chapitre 10 Réseaux de neurones pour les modèles de langage

Mécanisme d'attention et transformateur 10-1
Réseau encodeur-décodeur utilisant des réseaux neuronaux récurrents
mécanisme d'attention
Transformers
mécanisme d'auto-attention
Normalisation des couches
Réseau de propagation directe et bloc encodeur
Intégration de jetons et encodage positionnel
Bloc décodeur
[Points clés se terminant par des mots-clés]
[Problème de confirmation]

Résumé de la description du produit avec transformateur 10-2
Arbre généalogique des Transformers
apprentissage par transfert
Présentation du modèle BART
Encodeur et décodeur du BART
Chargement du modèle KoBART avec Hugging Face
tokenisation de texte
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]

10-3 Génération de texte avec un modèle de langage à grande échelle
Modèles de langage à grande échelle basés sur des décodeurs
Classement des LLM
Caractéristiques d'EXAONE
Générer des réponses aux questions sur les produits avec EXAONE-3.5
Stratégie de décodage des jetons
Bref historique des modèles OpenAI
Créez une clé API OpenAI
Générez des réponses aux questions sur les produits grâce à l'API OpenAI
[Points clés se terminant par des mots-clés]
[Packages et fonctions principaux]
[Problème de confirmation]
Annexe Pour aller plus loin : Questions des lecteurs à propos de ce livre

Si vous souhaitez apprendre l'apprentissage automatique et l'apprentissage profond du début à la fin dans un seul livre, alors ce livre est fait pour vous.
Lorsque vous souhaitez apprendre des concepts intuitivement, sans formules
Lorsque vous souhaitez vous entraîner et implémenter vous-même un modèle d'IA

》 Tout d'abord, apprenez les concepts et pratiquez ensemble grâce à une « conception d'apprentissage adaptée aux débutants » !

Ce livre est conçu selon une approche d'apprentissage personnalisée pour les débutants en apprentissage automatique et en apprentissage profond.
Nous utilisons la narration et des analogies intuitives pour rendre les concepts faciles à comprendre, et tous les exercices sont fournis de manière à ce que vous puissiez les exécuter immédiatement dans l'environnement Google Colab.
De plus, l'édition révisée ajoute une section « Foire aux questions (FAQ) » à chaque chapitre afin d'aider les apprenants à résoudre immédiatement leurs questions.

Deuxièmement, un champ d'expertise élargi couvrant les dernières technologies d'IA !

En plus de consolider les concepts existants d'apprentissage automatique et d'apprentissage profond, l'édition révisée ajoute de nouveaux exercices sur les transformateurs et les modèles de langage à grande échelle (LLM).
De plus, nous avons renforcé l'exemple de code PyTorch, qui était très demandé par les lecteurs, afin que vous puissiez apprendre non seulement Keras, mais aussi PyTorch.

》 3. Nous fournissons divers supports d'apprentissage tels que [Notes de terminologie] et [Cours YouTube] afin que vous puissiez étudier jusqu'au bout par vous-même !

Pour vous aider à continuer d'apprendre pendant votre lecture, nous mettons à votre disposition un glossaire, les conférences de l'auteur sur YouTube, un forum de questions-réponses et un espace de discussion ouvert réservé aux lecteurs.
Nous mettons à votre disposition des supports de révision que vous pouvez consulter à tout moment, même si vous rencontrez des difficultés conceptuelles, et vous pouvez résoudre toutes vos questions au sein de la communauté en ligne.

▶ Site d'apprentissage : https://hongong.hanbit.co.kr

Quatrièmement, un livre pour tous les apprenants qui souhaitent acquérir des compétences et des concepts pratiques de manière équilibrée !

Ce livre convient à tous : aux débutants souhaitant découvrir l’apprentissage automatique et l’apprentissage profond, aux développeurs désireux de mettre en œuvre des modèles grâce à la pratique de l’IA, et aux praticiens souhaitant se familiariser avec les dernières technologies d’IA.
Si vous souhaitez apprendre de manière systématique l'apprentissage automatique et l'apprentissage profond, lisez ce livre dès maintenant.