apprentissage automatique robuste
 |
Description
Introduction au livre
Une introduction systématique à l'apprentissage automatique, avec des explications concises et des connaissances mathématiques minimales !
« Robust Machine Learning » est un livre écrit sur une période de deux ans par l’auteur, membre de l’AAAI, la référence en matière d’intelligence artificielle, à destination des lecteurs novices en apprentissage automatique.
Il se compose de 16 chapitres de 30 pages chacun et propose des exercices de grande qualité, adaptés à un cours d'apprentissage automatique de 16 semaines destiné aux étudiants de licence et de master en sciences et ingénierie. Il requiert un minimum de connaissances mathématiques afin de rendre l'apprentissage automatique accessible au plus grand nombre.
« Robust Machine Learning » est un livre écrit sur une période de deux ans par l’auteur, membre de l’AAAI, la référence en matière d’intelligence artificielle, à destination des lecteurs novices en apprentissage automatique.
Il se compose de 16 chapitres de 30 pages chacun et propose des exercices de grande qualité, adaptés à un cours d'apprentissage automatique de 16 semaines destiné aux étudiants de licence et de master en sciences et ingénierie. Il requiert un minimum de connaissances mathématiques afin de rendre l'apprentissage automatique accessible au plus grand nombre.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
CHAPITRE 01 Introduction 1
1.1 Introduction 1
1.2 Terminologie de base de l'apprentissage automatique 2
1.3 Espace d'hypothèses 5
1.4 Biais inductif 8
1.5 Processus de développement 13
1.6 État de la demande 18
1.7 Lectures complémentaires 22
Exercice 25
Référence 26
Abri d'apprentissage automatique 28
CHAPITRE 02 Évaluation et sélection du modèle 29
2.1 Erreur empirique et surapprentissage 29
2.2 Méthode d'évaluation 31
2.3 Mesure des performances du modèle 37
2.4 Vérification comparative 47
2.5 Biais et variance 57
2.6 Lectures complémentaires 59
Exercice 61
Référence 62
Abri d'apprentissage automatique 64
CHAPITRE 03 Modèles linéaires 65
3.1 Format de base 65
3.2 Régression linéaire 66
3.3 Régression logistique 70
3.4 Analyse discriminante linéaire 73
3.5 Apprentissage multiclasse 77
3.6 Problème de déséquilibre des classes 80
3.7 Lectures complémentaires 83
Exercice 85
Référence 86
Abri d'apprentissage automatique 88
CHAPITRE 04 Arbres de décision 89
4.1 Processus de base 89
4.2 Sélection fractionnée 92
4.3 Élagage 98
4.4 Valeurs continues et valeurs manquantes 103
4.5 Arbres de décision multivariés 110
4.6 Lectures complémentaires 113
Exercice 115
Référence 117
Abri d'apprentissage automatique 118
CHAPITRE 05 Réseaux neuronaux 119
5.1 Modèle de neurone 119
5.2 Perceptrons et réseaux multicouches 121
5.3 Algorithme de rétropropagation des erreurs 124
5.4 Minimums globaux et minimums locaux 130
5.5 Autres réseaux neuronaux 133
5.6 Apprentissage profond 139
5.7 Lectures complémentaires 142
Exercice 144
Référence 145
Abri d'apprentissage automatique 148
CHAPITRE 06 Machines à vecteurs de support 149
6.1 Marges et vecteurs de support 149
6.2 Problème dual 151
6.3 Fonction noyau 155
6.4 Marges souples et normalisation 158
6.5 Régression par vecteurs de support 163
6.6 Techniques de noyau 167
6.7 Lectures complémentaires 170
Exercice 172
Référence 173
Abri d'apprentissage automatique 175
CHAPITRE 07 Classificateurs bayésiens 177
7.1 Théorie de la décision bayésienne 177
7.2 Estimation du maximum de vraisemblance 179
7.3 Classificateur naïf bayésien 181
7.4 Classificateur bayésien semi-naïf 186
7.5 Réseaux bayésiens 188
7.6 Algorithme EM 195
7.7 Lectures complémentaires 197
Exercice 199
Références 200
Abri d'apprentissage automatique 202
CHAPITRE 08 Apprentissage en ensemble 203
8.1 Objets et ensembles 203
8.2 Boost 206
8.3 Bagging et forêts aléatoires 211
8.4 Stratégie combinée 215
8.5 Diversité 221
8.6 Lectures complémentaires 227
Exercice 229
Référence 231
Abri d'apprentissage automatique 234
CHAPITRE 09 Clustering 235
9.1 Problème d'apprentissage par regroupement 235
9.2 Mesures de performance 236
9.3 Méthode de calcul de distance 238
9.4 Regroupement de prototypes 241
9.5 Clustering par densité 252
9.6 Classification hiérarchique 255
9.7 Lectures complémentaires 259
Exercice 262
Référence 264
Abri d'apprentissage automatique 266
CHAPITRE 10 Réduction de dimensionnalité et apprentissage d'échelle 267
10.1 Technique des k plus proches voisins 267
10.2 Intégration 269
10.3 Analyse en composantes principales 273
10.4 Réduction de dimensionnalité linéaire par noyau 275
10.5 Apprentissage de variétés 278
10.6 Apprentissage à l'échelle 282
10.7 Lectures complémentaires 285
Exercice 287
Référence 288
Abri d'apprentissage automatique 290
CHAPITRE 11 Sélection de caractéristiques et apprentissage parcimonieux 291
11.1 Exploration et évaluation des sous-ensembles 291
11.2 Sélection du filtre 294
11.3 Sélection complète 296
11.4 Sélection des plongements et régularisation L1 298
11.5 Représentations éparses et apprentissage de dictionnaires 301
11.6 Détection compressée 304
11.7 Lectures complémentaires 308
Exercice 310
Référence 311
Abri d'apprentissage automatique 314
CHAPITRE 12 Théorie de l'apprentissage computationnel 315
12.1 Connaissances de base 315
12.2 PAC Apprentissage 317
12.3 Espaces d'hypothèses finis 319
12,4 VC dimension 323
12.5 Complexité Rademacher 329
12,6 Stabilité 335
12.7 Lectures complémentaires 339
Exercice 341
Référence 342
Abri d'apprentissage automatique 343
CHAPITRE 13 Apprentissage semi-supervisé 345
13.1 Données non étiquetées 345
13.2 Méthodes génératives 348
13.3 SVM semi-supervisé 352
13.4 Apprentissage semi-supervisé sur graphes 355
13.5 Méthodes basées sur les discordances 359
13.6 Clustering semi-supervisé 363
13.7 Lectures complémentaires 368
Exercice 370
Référence 372
Abri d'apprentissage automatique 374
CHAPITRE 14 Modèles graphiques probabilistes 375
14.1 Modèles de Markov cachés 375
14.2 Champs aléatoires de Markov 379
14.3 Champ aléatoire conditionnel 383
14.4 Apprentissage et inférence 386
14.5 Inférence approximative 390
14.6 Modèle de sujet 397
14.7 Lectures complémentaires 400
Exercice 403
Référence 404
Abri d'apprentissage automatique 406
CHAPITRE 15 Règles d'apprentissage 407
15.1 Concepts de base 407
15.2 Couverture séquentielle 410
15.3 Optimisation de l'élagage 414
15.4 Apprendre les règles primaires 416
15.5 Programmation logique inductive 420
15.6 Lectures complémentaires 428
Exercice 431
Référence 432
Abri d'apprentissage automatique 434
CHAPITRE 16 : RENFORCEMENT DES APPRENTISSAGES 435
16.1 Tâches et récompenses 435
16.2 Bandit à bras K 438
16.3 Apprentissage basé sur un modèle 443
16.4 Apprentissage sans modèle 450
16.5 Approximation de la fonction valeur 457
16.6 Imitation Running 460
16.7 Lectures complémentaires 462
Exercice 464
Référence 465
Abri d'apprentissage automatique 467
ANNEXE A Matrice 469
A.1 Opérations de base 469
A.2 Dérivés 470
A.3 Décomposition en valeurs singulières 472
ANNEXE B Optimisation 474
B.1 Méthode des multiplicateurs de Lagrange 474
B.2 Programmation quadratique 477
B.3 Programmation semi-formelle 478
B.4 Descente en pente 479
B.5 Descente de coordonnées 480
ANNEXE C Distributions de probabilité 482
C.1 Distributions de probabilité fréquemment utilisées 482
C.2 Distribution conjuguée 487
C.3 Divergence KL 488
Épilogue 489
Recherche 494
1.1 Introduction 1
1.2 Terminologie de base de l'apprentissage automatique 2
1.3 Espace d'hypothèses 5
1.4 Biais inductif 8
1.5 Processus de développement 13
1.6 État de la demande 18
1.7 Lectures complémentaires 22
Exercice 25
Référence 26
Abri d'apprentissage automatique 28
CHAPITRE 02 Évaluation et sélection du modèle 29
2.1 Erreur empirique et surapprentissage 29
2.2 Méthode d'évaluation 31
2.3 Mesure des performances du modèle 37
2.4 Vérification comparative 47
2.5 Biais et variance 57
2.6 Lectures complémentaires 59
Exercice 61
Référence 62
Abri d'apprentissage automatique 64
CHAPITRE 03 Modèles linéaires 65
3.1 Format de base 65
3.2 Régression linéaire 66
3.3 Régression logistique 70
3.4 Analyse discriminante linéaire 73
3.5 Apprentissage multiclasse 77
3.6 Problème de déséquilibre des classes 80
3.7 Lectures complémentaires 83
Exercice 85
Référence 86
Abri d'apprentissage automatique 88
CHAPITRE 04 Arbres de décision 89
4.1 Processus de base 89
4.2 Sélection fractionnée 92
4.3 Élagage 98
4.4 Valeurs continues et valeurs manquantes 103
4.5 Arbres de décision multivariés 110
4.6 Lectures complémentaires 113
Exercice 115
Référence 117
Abri d'apprentissage automatique 118
CHAPITRE 05 Réseaux neuronaux 119
5.1 Modèle de neurone 119
5.2 Perceptrons et réseaux multicouches 121
5.3 Algorithme de rétropropagation des erreurs 124
5.4 Minimums globaux et minimums locaux 130
5.5 Autres réseaux neuronaux 133
5.6 Apprentissage profond 139
5.7 Lectures complémentaires 142
Exercice 144
Référence 145
Abri d'apprentissage automatique 148
CHAPITRE 06 Machines à vecteurs de support 149
6.1 Marges et vecteurs de support 149
6.2 Problème dual 151
6.3 Fonction noyau 155
6.4 Marges souples et normalisation 158
6.5 Régression par vecteurs de support 163
6.6 Techniques de noyau 167
6.7 Lectures complémentaires 170
Exercice 172
Référence 173
Abri d'apprentissage automatique 175
CHAPITRE 07 Classificateurs bayésiens 177
7.1 Théorie de la décision bayésienne 177
7.2 Estimation du maximum de vraisemblance 179
7.3 Classificateur naïf bayésien 181
7.4 Classificateur bayésien semi-naïf 186
7.5 Réseaux bayésiens 188
7.6 Algorithme EM 195
7.7 Lectures complémentaires 197
Exercice 199
Références 200
Abri d'apprentissage automatique 202
CHAPITRE 08 Apprentissage en ensemble 203
8.1 Objets et ensembles 203
8.2 Boost 206
8.3 Bagging et forêts aléatoires 211
8.4 Stratégie combinée 215
8.5 Diversité 221
8.6 Lectures complémentaires 227
Exercice 229
Référence 231
Abri d'apprentissage automatique 234
CHAPITRE 09 Clustering 235
9.1 Problème d'apprentissage par regroupement 235
9.2 Mesures de performance 236
9.3 Méthode de calcul de distance 238
9.4 Regroupement de prototypes 241
9.5 Clustering par densité 252
9.6 Classification hiérarchique 255
9.7 Lectures complémentaires 259
Exercice 262
Référence 264
Abri d'apprentissage automatique 266
CHAPITRE 10 Réduction de dimensionnalité et apprentissage d'échelle 267
10.1 Technique des k plus proches voisins 267
10.2 Intégration 269
10.3 Analyse en composantes principales 273
10.4 Réduction de dimensionnalité linéaire par noyau 275
10.5 Apprentissage de variétés 278
10.6 Apprentissage à l'échelle 282
10.7 Lectures complémentaires 285
Exercice 287
Référence 288
Abri d'apprentissage automatique 290
CHAPITRE 11 Sélection de caractéristiques et apprentissage parcimonieux 291
11.1 Exploration et évaluation des sous-ensembles 291
11.2 Sélection du filtre 294
11.3 Sélection complète 296
11.4 Sélection des plongements et régularisation L1 298
11.5 Représentations éparses et apprentissage de dictionnaires 301
11.6 Détection compressée 304
11.7 Lectures complémentaires 308
Exercice 310
Référence 311
Abri d'apprentissage automatique 314
CHAPITRE 12 Théorie de l'apprentissage computationnel 315
12.1 Connaissances de base 315
12.2 PAC Apprentissage 317
12.3 Espaces d'hypothèses finis 319
12,4 VC dimension 323
12.5 Complexité Rademacher 329
12,6 Stabilité 335
12.7 Lectures complémentaires 339
Exercice 341
Référence 342
Abri d'apprentissage automatique 343
CHAPITRE 13 Apprentissage semi-supervisé 345
13.1 Données non étiquetées 345
13.2 Méthodes génératives 348
13.3 SVM semi-supervisé 352
13.4 Apprentissage semi-supervisé sur graphes 355
13.5 Méthodes basées sur les discordances 359
13.6 Clustering semi-supervisé 363
13.7 Lectures complémentaires 368
Exercice 370
Référence 372
Abri d'apprentissage automatique 374
CHAPITRE 14 Modèles graphiques probabilistes 375
14.1 Modèles de Markov cachés 375
14.2 Champs aléatoires de Markov 379
14.3 Champ aléatoire conditionnel 383
14.4 Apprentissage et inférence 386
14.5 Inférence approximative 390
14.6 Modèle de sujet 397
14.7 Lectures complémentaires 400
Exercice 403
Référence 404
Abri d'apprentissage automatique 406
CHAPITRE 15 Règles d'apprentissage 407
15.1 Concepts de base 407
15.2 Couverture séquentielle 410
15.3 Optimisation de l'élagage 414
15.4 Apprendre les règles primaires 416
15.5 Programmation logique inductive 420
15.6 Lectures complémentaires 428
Exercice 431
Référence 432
Abri d'apprentissage automatique 434
CHAPITRE 16 : RENFORCEMENT DES APPRENTISSAGES 435
16.1 Tâches et récompenses 435
16.2 Bandit à bras K 438
16.3 Apprentissage basé sur un modèle 443
16.4 Apprentissage sans modèle 450
16.5 Approximation de la fonction valeur 457
16.6 Imitation Running 460
16.7 Lectures complémentaires 462
Exercice 464
Référence 465
Abri d'apprentissage automatique 467
ANNEXE A Matrice 469
A.1 Opérations de base 469
A.2 Dérivés 470
A.3 Décomposition en valeurs singulières 472
ANNEXE B Optimisation 474
B.1 Méthode des multiplicateurs de Lagrange 474
B.2 Programmation quadratique 477
B.3 Programmation semi-formelle 478
B.4 Descente en pente 479
B.5 Descente de coordonnées 480
ANNEXE C Distributions de probabilité 482
C.1 Distributions de probabilité fréquemment utilisées 482
C.2 Distribution conjuguée 487
C.3 Divergence KL 488
Épilogue 489
Recherche 494
Image détaillée
Dans le livre
Ce livre est un manuel d'apprentissage automatique.
Je souhaitais initier le plus grand nombre de lecteurs possible à l'apprentissage automatique, j'ai donc essayé d'éviter autant que possible d'utiliser des connaissances mathématiques.
Cependant, il comprend au moins quelques notions de théorie mathématique liées aux probabilités, aux statistiques, à l'algèbre, à l'optimisation et à la logique.
Il semble donc convenir aux étudiants de quatrième année ou plus en sciences et ingénierie, aux étudiants de troisième cycle et aux lecteurs ayant des profils similaires et intéressés par l'apprentissage automatique.
Pour faciliter la lecture, une brève introduction aux notions mathématiques de base est également incluse à la fin du livre.
--- p.xvii
Les causes du surapprentissage sont nombreuses.
Parmi ces causes, la plus fréquente est celle où la capacité d'apprentissage est si excellente qu'elle apprend même les caractéristiques inhabituelles des données d'entraînement.
À l'inverse, un mauvais ajustement est souvent dû à une faible capacité d'apprentissage.
Le problème de l'ajustement insuffisant est facile à résoudre.
--- p.30
En pratique, la règle du gain d'information favorise les attributs qui ont un nombre relativement important de valeurs possibles.
De tels biais peuvent avoir un impact négatif sur le modèle.
Ainsi, la célèbre méthode d'arbre de décision C4.5 [Quinlan, 1993] a utilisé une méthode appelée rapport de gain au lieu du gain d'information pour sélectionner l'attribut de division optimal.
Si on l'exprime avec le même signe que l'équation 4.2, le taux de gain peut être défini comme suit.
--- p.96
La fonction noyau détermine directement les performances finales des techniques de machine à vecteurs de support et de noyau.
Le problème du choix d'une fonction noyau reste malheureusement difficile à résoudre.
L'apprentissage à noyaux multiples utilise plusieurs fonctions de noyau et définit la combinaison convexe optimale obtenue par l'apprentissage comme fonction de noyau finale [Lanckriet et al., 2004 ; Bach et al., 2004].
Il s'agit essentiellement d'emprunter le mécanisme d'apprentissage en ensemble.
--- p.171
Le clustering est un exemple typique d'apprentissage non supervisé.
Cependant, en réalité, nous obtenons souvent des informations d'apprentissage supervisé lors de la réalisation du clustering.
Par conséquent, nous pouvons obtenir de meilleurs résultats de regroupement en utilisant des informations supervisées grâce à la méthode de regroupement semi-supervisée.
Je souhaitais initier le plus grand nombre de lecteurs possible à l'apprentissage automatique, j'ai donc essayé d'éviter autant que possible d'utiliser des connaissances mathématiques.
Cependant, il comprend au moins quelques notions de théorie mathématique liées aux probabilités, aux statistiques, à l'algèbre, à l'optimisation et à la logique.
Il semble donc convenir aux étudiants de quatrième année ou plus en sciences et ingénierie, aux étudiants de troisième cycle et aux lecteurs ayant des profils similaires et intéressés par l'apprentissage automatique.
Pour faciliter la lecture, une brève introduction aux notions mathématiques de base est également incluse à la fin du livre.
--- p.xvii
Les causes du surapprentissage sont nombreuses.
Parmi ces causes, la plus fréquente est celle où la capacité d'apprentissage est si excellente qu'elle apprend même les caractéristiques inhabituelles des données d'entraînement.
À l'inverse, un mauvais ajustement est souvent dû à une faible capacité d'apprentissage.
Le problème de l'ajustement insuffisant est facile à résoudre.
--- p.30
En pratique, la règle du gain d'information favorise les attributs qui ont un nombre relativement important de valeurs possibles.
De tels biais peuvent avoir un impact négatif sur le modèle.
Ainsi, la célèbre méthode d'arbre de décision C4.5 [Quinlan, 1993] a utilisé une méthode appelée rapport de gain au lieu du gain d'information pour sélectionner l'attribut de division optimal.
Si on l'exprime avec le même signe que l'équation 4.2, le taux de gain peut être défini comme suit.
--- p.96
La fonction noyau détermine directement les performances finales des techniques de machine à vecteurs de support et de noyau.
Le problème du choix d'une fonction noyau reste malheureusement difficile à résoudre.
L'apprentissage à noyaux multiples utilise plusieurs fonctions de noyau et définit la combinaison convexe optimale obtenue par l'apprentissage comme fonction de noyau finale [Lanckriet et al., 2004 ; Bach et al., 2004].
Il s'agit essentiellement d'emprunter le mécanisme d'apprentissage en ensemble.
--- p.171
Le clustering est un exemple typique d'apprentissage non supervisé.
Cependant, en réalité, nous obtenons souvent des informations d'apprentissage supervisé lors de la réalisation du clustering.
Par conséquent, nous pouvons obtenir de meilleurs résultats de regroupement en utilisant des informations supervisées grâce à la méthode de regroupement semi-supervisée.
--- p.363
Avis de l'éditeur
Ce livre a été écrit avec dévouement pendant deux ans par l'auteur, qui a été sélectionné comme membre de l'AAAI, le Temple de la renommée de l'IA, pour les lecteurs novices en apprentissage automatique.
Il se compose de 16 chapitres de 30 pages chacun et propose des exercices de grande qualité, adaptés à un cours d'apprentissage automatique de 16 semaines destiné aux étudiants de niveau avancé en sciences et ingénierie, ainsi qu'aux étudiants de master et de doctorat. Il requiert un minimum de connaissances mathématiques afin de rendre l'apprentissage automatique accessible au plus grand nombre.
L'objectif principal de ce livre est de fournir aux lecteurs un « guide du débutant » leur permettant d'avoir une vue d'ensemble, aidant ainsi les débutants en apprentissage automatique à démarrer dans la bonne direction.
Il explique non seulement la théorie, mais aussi la logique de traitement interne de divers algorithmes d'apprentissage automatique, ce qui les rend faciles à comprendre et vous permet d'acquérir une solide compréhension des concepts et des principes des techniques d'apprentissage automatique concrètes.
De plus, le développement systématique et concis du contenu le rend adapté non seulement comme manuel pour les étudiants de premier cycle ou de cycles supérieurs, mais aussi comme ouvrage d'auto-apprentissage ou livre de référence pour la recherche.
Il se compose de 16 chapitres de 30 pages chacun et propose des exercices de grande qualité, adaptés à un cours d'apprentissage automatique de 16 semaines destiné aux étudiants de niveau avancé en sciences et ingénierie, ainsi qu'aux étudiants de master et de doctorat. Il requiert un minimum de connaissances mathématiques afin de rendre l'apprentissage automatique accessible au plus grand nombre.
L'objectif principal de ce livre est de fournir aux lecteurs un « guide du débutant » leur permettant d'avoir une vue d'ensemble, aidant ainsi les débutants en apprentissage automatique à démarrer dans la bonne direction.
Il explique non seulement la théorie, mais aussi la logique de traitement interne de divers algorithmes d'apprentissage automatique, ce qui les rend faciles à comprendre et vous permet d'acquérir une solide compréhension des concepts et des principes des techniques d'apprentissage automatique concrètes.
De plus, le développement systématique et concis du contenu le rend adapté non seulement comme manuel pour les étudiants de premier cycle ou de cycles supérieurs, mais aussi comme ouvrage d'auto-apprentissage ou livre de référence pour la recherche.
SPÉCIFICATIONS DES PRODUITS
- Date de publication : 28 février 2020
Nombre de pages, poids, dimensions : 536 pages | 1 018 g | 188 × 245 × 26 mm
- ISBN13 : 9791188621989
- ISBN10 : 118862198X
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![GQ KOREA Mark (Mensuel) : décembre [2025]](http://librairie.coreenne.fr/cdn/shop/files/8ef265dbbfbf186523ed75ba7319009d.jpg?v=1765340328&width=3840)
