Chapitre 1 : Mathématiques de base et calcul différentiel et intégral

1.1 Théorie des nombres
1.2 Ordre d'opération
_1.3 variables
_1.4 fonction
_1,5 Total
_1,6 puissance
_1.7 log
_1.8 Nombres d'Euler et logarithmes naturels
_1.9 Extrême
_1.10 Différenciation
_1.11 Intégration
1.12 En conclusion

Chapitre 2 Probabilités

2.1 Comprendre les probabilités
_2.2 Calcul des probabilités
2.3 Distribution binomiale
_2.4 Distribution bêta
_2.5 En conclusion

Chapitre 3 Statistiques descriptives et inférentielles

_3.1 Que sont les données ?
3.2 Statistiques descriptives et inférentielles
3.3 Population, échantillon et biais
3.4 Statistiques techniques
3.5 Statistiques inférentielles
_3.6 Distribution t : Traitement des petits échantillons
3.7 Considérations relatives au Big Data et au sophisme du tireur d'élite texan
3.8 En conclusion

Chapitre 4 Algèbre linéaire

_4.1 Qu'est-ce qu'un vecteur ?
4.2 Transformation linéaire
_4.3 Multiplication matricielle
_4.4 Déterminant
_4.5 Matrices spéciales
_4.6 Systèmes d'équations et matrices inverses
4.7 Vecteurs propres et valeurs propres
4.8 En conclusion

Chapitre 5 Régression linéaire

5.1 Régression linéaire de base
5.2 Résidus et erreurs quadratiques
5.3 Trouver la meilleure ligne droite
5.4 Surapprentissage et variance
5.5 Descente de gradient stochastique
5.6 Coefficient de corrélation
5.7 Signification statistique
5.8 Coefficient de détermination
_5,9 Erreur type estimée
_5.10 Intervalles de prédiction
_5.11 Répartition entraînement/test
5.12 Régression linéaire multiple
5.13 En conclusion

Chapitre 6 : Régression logistique et classification

6.1 Comprendre la régression logistique
6.2 Réalisation d'une régression logistique
6.3 Régression logistique multivariée
_6.4 Comprendre les logarithmes des cotes
_6.5 R2
_6,6 valeur p
6.7 Répartition entraînement/test
_6.8 Matrice d'erreur
6.9 Théorème de Bayes et classification
6.10 Courbe ROC et AUC
6.11 Déséquilibre des classes
6.12 En conclusion

Chapitre 7 Réseaux de neurones

_7.1 Quand utiliser les réseaux neuronaux et l'apprentissage profond ?
_7.2 Réseaux neuronaux simples
_7.3 Rétropropagation
_7.4 Utilisation de scikit-learn
7.5 Limites des réseaux neuronaux et de l'apprentissage profond
7.6 En conclusion

Chapitre 8 Conseils de carrière et perspectives d'avenir

8.1 Redéfinir la science des données
8.2 Bref historique de la science des données
8.3 Trouver ses propres forces
8.4 Éléments à surveiller dans les emplois en science des données
_8.5 Votre emploi de rêve n'existe-t-il pas ?
_8.6 Où dois-je aller maintenant ?
8.7 En conclusion

Annexe A Apprentissage complémentaire

A.1 Expression d'expressions mathématiques avec SymPy
A.2 Implémentation de la distribution binomiale à partir de zéro
A.3 Mise en œuvre de la distribution bêta à partir de zéro
A.4 Démonstration du théorème de Bayes
A.5 Implémentation de la fonction de répartition cumulative (CDF) et de sa fonction de répartition inverse (inverse de la CDF) à partir de zéro
A.6 Prédiction des probabilités d'événements au fil du temps à l'aide de e
A.7 Régression linéaire et escalade de gradient
A.8 Méthode de recherche locale et régression logistique
A.9 Une brève introduction à la programmation linéaire
A.10 Classificateur MNIST utilisant Scikit-Learn

Cahier d'exercices 〈Annexe spéciale〉

Les livres d'algèbre linéaire et de calcul les plus vendus sur Amazon
101 concepts mathématiques que tout développeur devrait connaître !

Vous rêvez de conquérir le monde de la science des données et de l'apprentissage automatique ? La première étape de votre parcours est celle des mathématiques.
Les principes fondamentaux et les algorithmes de l'apprentissage automatique sont en réalité ancrés dans des concepts mathématiques.
Ce livre vous guide de manière systématique à travers les principes fondamentaux du calcul, des probabilités, des statistiques et de l'algèbre linéaire, de leur application à la science des données.
Grâce à des exercices pratiques utilisant Python, vous apprendrez comment les mathématiques sont intégrées dans des applications concrètes, de la régression linéaire aux réseaux neuronaux.
Il n'existe pas de guide plus complet pour débuter votre parcours de data scientist.
Explorez les possibilités infinies de la science des données grâce à ce livre.
Faites vos premiers pas dans le monde de la science des données en acquérant de solides connaissances en mathématiques. Commencez dès maintenant !

Public cible

Développeurs souhaitant comprendre les concepts mathématiques, les outils et les algorithmes utilisés en science des données et en apprentissage automatique.
● Ingénieurs de données, scientifiques des données, ingénieurs en apprentissage automatique et statisticiens chargés des pratiques d'analyse des données

Contenu principal

● Concepts mathématiques de base abordés à travers le code et les bibliothèques Python
● Interprétation des valeurs p et de la signification statistique à l'aide de statistiques descriptives et de tests d'hypothèses
Application des concepts mathématiques à la régression linéaire, à la régression logistique et aux réseaux de neurones
Comment bâtir une carrière solide en science des données et conseils de carrière
● Fournit un cahier d'exercices pour réviser les concepts appris dans chaque chapitre

[Note de l'auteur]

Au cours de la dernière décennie, l'intérêt pour l'application des mathématiques et des statistiques à la vie quotidienne et au travail n'a cessé de croître.
Avec l'augmentation de la disponibilité des données, les mathématiques et les statistiques gagnent en popularité, et la compréhension de ces données nécessite des mathématiques, des statistiques et l'apprentissage automatique.


Il est facile de penser que les ordinateurs sont plus intelligents que nous (et cette idée est souvent utilisée en marketing), mais la réalité est peut-être tout autre.
Ces idées fausses peuvent être très dangereuses.
Que se passerait-il si les algorithmes ou l'IA, qu'ils rendent des jugements criminels ou conduisent des voitures, ne pouvaient pas expliquer pourquoi ils sont parvenus à certaines décisions, même leurs concepteurs ? L'explicabilité est la prochaine frontière du calcul statistique et de l'IA.
Cela n'est possible que si l'on ouvre la boîte noire et que l'on révèle les mathématiques qui se cachent en dessous.

Les appareils connectés à Internet étant tellement ancrés dans notre quotidien, nos données sont collectées fréquemment et à grande échelle.
Nous n'utilisons plus Internet uniquement sur nos ordinateurs de bureau et portables, mais aussi sur nos smartphones, nos voitures et nos appareils électroménagers.
Ce phénomène a subi des changements subtils au cours des 20 dernières années.
Les données sont passées d'un outil opérationnel à un objet à collecter et à analyser à des fins plus spécifiques.


Avec l'augmentation de la disponibilité des données, la science des données et l'apprentissage automatique sont devenus des carrières très recherchées.
Les mathématiques essentielles nécessaires au traitement des données recoupent les probabilités, l'algèbre linéaire, les statistiques et l'apprentissage automatique.
Si vous souhaitez faire carrière dans les sciences des données, l'apprentissage automatique ou l'ingénierie, la compréhension de ce sujet est essentielle.
Ce livre présente les mathématiques, le calcul et les statistiques dont vous avez besoin pour mieux comprendre le contenu des bibliothèques « boîte noire » que vous rencontrerez.


L'objectif de ce livre est de vous familiariser avec divers sujets de mathématiques, de statistiques et d'apprentissage automatique qui peuvent être appliqués à des problèmes du monde réel.
Les quatre premiers chapitres abordent les concepts mathématiques fondamentaux tels que le calcul pratique, les probabilités, l'algèbre linéaire et les statistiques.
Les trois derniers chapitres présentent l'apprentissage automatique.
L'objectif ultime de l'enseignement de l'apprentissage automatique est d'intégrer tout ce que vous avez appris dans le livre, en allant au-delà d'une compréhension théorique pour fournir des informations pratiques sur l'utilisation des bibliothèques d'apprentissage automatique et statistiques.

Ce livre que vous venez d'ouvrir ne fera pas de vous un expert ni ne vous apportera des connaissances de niveau doctorat.
J'ai fait de mon mieux pour éviter les formules truffées de symboles grecs et pour utiliser un langage courant à leur place.
J’espère toutefois que ce livre vous aidera à vous sentir plus à l’aise pour parler de mathématiques et de statistiques et vous apportera les connaissances nécessaires pour explorer avec succès ces domaines.
Je crois que la voie la plus sûre vers le succès ne réside pas dans une connaissance approfondie et spécialisée d'un seul sujet, mais plutôt dans l'exploration d'un large éventail de sujets et l'acquisition de connaissances pratiques.
C’est précisément l’objectif de ce livre.
Vous en apprendrez suffisamment pour poser les questions importantes qui étaient autrefois difficiles à connaître, et qui peuvent être dangereuses.
Eh bien, commençons !

- Thomas Neild

[Note du traducteur]

On me pose souvent des questions comme : « Ai-je besoin de connaître les mathématiques pour étudier l'intelligence artificielle ? » et « Dois-je d'abord étudier les mathématiques pour apprendre l'apprentissage automatique ? »
Ironiquement, la réponse à cette question peut être soit « oui », soit « non ».

Les mathématiques ne sont pas forcément nécessaires lorsqu'on débute en apprentissage automatique.
Mais à mesure que vous poursuivrez vos études, vous ressentirez naturellement le besoin des mathématiques.
À l'inverse, si vous possédez déjà quelques notions de mathématiques, vous aurez beaucoup plus de liberté pour comprendre le fonctionnement des modèles d'apprentissage automatique.
Il n'y a pas de bonne réponse, choisissez simplement la méthode d'étude qui vous convient.

J'essaie de traduire un livre qui explique les mathématiques de manière pratique, mais il est difficile de trouver un bon ouvrage.
Heureusement, ce livre d'O'Reilly répond parfaitement à ce besoin.
C'était passionnant d'explorer comment les mathématiques sont utilisées dans l'analyse des données et l'apprentissage automatique, des vecteurs à l'apprentissage automatique.
J'espère que les lecteurs apprécieront ce livre.

- Park Hae-seon