Apprentissage automatique, rapidement et efficacement !
 |
Description
Introduction au livre
Nous avons simplifié les théories complexes et n'avons inclus que les points clés essentiels !
Le guide le plus concis pour apprendre l'apprentissage automatique.
Ce best-seller, traduit en 11 langues et utilisé comme manuel dans des milliers d'universités à travers le monde, explique l'apprentissage automatique de manière concise et claire.
Il couvre tout, des concepts mathématiques de base aux algorithmes fondamentaux, en passant par l'apprentissage profond et les réseaux neuronaux, fournissant une boîte à outils complète pour résoudre les problèmes modernes d'apprentissage automatique tels que le clustering, la modélisation thématique, l'apprentissage métrique et les systèmes de recommandation.
En associant théorie et mise en pratique, et en se concentrant sur les compétences essentielles au travail pratique, chacun peut apprendre rapidement et efficacement.
S’appuyant sur une vaste expérience pratique, l’auteur explique des techniques immédiatement applicables à des projets concrets, notamment l’ingénierie des caractéristiques, la normalisation, la gestion des ensembles de données déséquilibrés, les ensembles et l’évaluation des modèles.
Il se compose d'explications et d'exemples intuitifs, sans s'enliser dans des formules complexes, ce qui le rend utile à tous, des débutants souhaitant acquérir des bases solides aux praticiens désirant élargir leurs compétences pratiques.
Le guide le plus concis pour apprendre l'apprentissage automatique.
Ce best-seller, traduit en 11 langues et utilisé comme manuel dans des milliers d'universités à travers le monde, explique l'apprentissage automatique de manière concise et claire.
Il couvre tout, des concepts mathématiques de base aux algorithmes fondamentaux, en passant par l'apprentissage profond et les réseaux neuronaux, fournissant une boîte à outils complète pour résoudre les problèmes modernes d'apprentissage automatique tels que le clustering, la modélisation thématique, l'apprentissage métrique et les systèmes de recommandation.
En associant théorie et mise en pratique, et en se concentrant sur les compétences essentielles au travail pratique, chacun peut apprendre rapidement et efficacement.
S’appuyant sur une vaste expérience pratique, l’auteur explique des techniques immédiatement applicables à des projets concrets, notamment l’ingénierie des caractéristiques, la normalisation, la gestion des ensembles de données déséquilibrés, les ensembles et l’évaluation des modèles.
Il se compose d'explications et d'exemples intuitifs, sans s'enliser dans des formules complexes, ce qui le rend utile à tous, des débutants souhaitant acquérir des bases solides aux praticiens désirant élargir leurs compétences pratiques.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
Note du traducteur
Recommandation
Note de l'auteur
Chapitre 1 Introduction
1.1 Qu'est-ce que l'apprentissage automatique ?
1.2 Types d'apprentissage
1.2.1 Apprentissage supervisé
1.2.2 Apprentissage non supervisé
1.2.3 Apprentissage semi-supervisé
1.2.4 Apprentissage par renforcement
1.3 Comment fonctionne l'apprentissage supervisé
1.4 Pourquoi le modèle fonctionne avec de nouvelles données
Chapitre 2 Notation et définitions
2.1 Notation
2.1.1 Structure des données
2.1.2 Symbole sigma majuscule
2.1.3 Symbole Pi majuscule
2.1.4 Opérations sur les ensembles
2.1.5 Opérations vectorielles
2.1.6 Fonction
2.1.7 max et arg max
2.1.8 Opérateurs d'affectation
2.1.9 Dérivées et gradients
2.2 Variables aléatoires
2.3 Estimation de l'inconfort
2.4 Théorème de Bayes
2.5 Estimation des paramètres
2.6 Paramètres vs.
Hyperparamètres
2.7 Classification vs.
retour
2.8 Apprentissage basé sur un modèle vs.
Apprentissage par cas
2.9 Apprentissage superficiel vs.
Apprentissage profond
Chapitre 3 Algorithmes de base
3.1 Régression linéaire
3.1.1 Problème
3.1.2 Solution
3.2 Régression logistique
3.2.1 Problème
3.2.2 Solution
3.3 Apprentissage par arbre de décision
3.3.1 Problème
3.3.2 Solution
3.4 Machine à vecteurs de support
3.4.1 Bruit de manipulation
3.4.2 Gestion des non-linéarités
3,5 k plus proches voisins
Chapitre 4 : Algorithmes d’apprentissage
4.1 Composantes d'un algorithme d'apprentissage
4.2 Descente en pente
4.3 Comment travaillent les ingénieurs en apprentissage automatique
4.4 Caractéristiques des algorithmes d'apprentissage
Chapitre 5 Compétences pratiques de base
5.1 Ingénierie des caractéristiques
5.1.1 Codage One-Hot
5.1.2 Division en sections
5.1.3 Normalisation
5.1.4 Normalisation
5.1.5 Gestion des fonctionnalités manquantes
5.1.6 Techniques de substitution de données
5.2 Choix d'un algorithme d'apprentissage
5.3 Ensemble d'entraînement, ensemble de validation et ensemble de test
5.4 Sous-ajustement et sur-ajustement
5.5 Règlement
5.6 Évaluation des performances du modèle
5.6.1 Matrice de confusion
5.6.2 Précision/Rappel
5.6.3 Précision
5.6.4 Précision basée sur la sensibilité aux coûts
5.6.5 Aire sous la courbe ROC (AUC)
5.7 Optimisation des hyperparamètres
5.7.1 Validation croisée
Chapitre 6 : Réseaux neuronaux et apprentissage profond
6.1 Réseaux neuronaux
6.1.1 Perceptron multicouche
6.1.2 Réseaux de neurones à propagation directe
6.2 Apprentissage profond
6.2.1 Réseaux neuronaux convolutifs
6.2.2 Réseaux de neurones récurrents
Chapitre 7 Résolution de problèmes
7.1 Régression à noyau
7.2 Multi-classification
7.3 Classification à classe unique
7.4 Classification multi-étiquettes
7.5 Apprentissage en ensemble
7.5.1 Boost et ensachage
7.5.2 Forêt aléatoire
7.5.3 Boost de gradient
7.6 Étiquetage de séquence
7.7 Apprentissage de séquence à séquence
7.8 Apprentissage actif
7.9 Apprentissage semi-supervisé
7.10 Apprentissage en une seule séance
7.11 Apprentissage sans exemple
Chapitre 8 Techniques spéciales
8.1 Gestion des ensembles de données déséquilibrés
8.2 Modèle combiné
8.3 Formation des réseaux neuronaux
8.4 Techniques réglementaires avancées
8.5 Gestion de plusieurs entrées
8.6 Gestion de plusieurs sorties
8.7 Transfert d'apprentissage
8.8 Efficacité de l'algorithme
Chapitre 9 Apprentissage non supervisé
9.1 Estimation de la densité
9.2 Cluster
9.2.1 k-moyennes
9.2.2 DBSCAN et HDBSCAN
9.2.3 Détermination du nombre de clusters
9.2.4 Autres algorithmes de clustering
9.3 Réduction dimensionnelle
9.3.1 Analyse en composantes principales
9.3.2 UMAP
Chapitre 10 : Autres méthodes d’apprentissage
10.1 Apprentissage métrique
10.2 Classement des apprentissages
10.3 Apprentissage recommandé
10.3.1 Méthode de décomposition matricielle
10.3.2 Encodeur automatique de réduction du bruit
10.4 Apprentissage auto-supervisé : plongements lexicaux
10.5 Détection des valeurs aberrantes
Conclusion du chapitre 11
11.1 Éléments non abordés dans ce livre
11.2 Remerciements
11.3 Que lire ensuite ?
Recommandation
Note de l'auteur
Chapitre 1 Introduction
1.1 Qu'est-ce que l'apprentissage automatique ?
1.2 Types d'apprentissage
1.2.1 Apprentissage supervisé
1.2.2 Apprentissage non supervisé
1.2.3 Apprentissage semi-supervisé
1.2.4 Apprentissage par renforcement
1.3 Comment fonctionne l'apprentissage supervisé
1.4 Pourquoi le modèle fonctionne avec de nouvelles données
Chapitre 2 Notation et définitions
2.1 Notation
2.1.1 Structure des données
2.1.2 Symbole sigma majuscule
2.1.3 Symbole Pi majuscule
2.1.4 Opérations sur les ensembles
2.1.5 Opérations vectorielles
2.1.6 Fonction
2.1.7 max et arg max
2.1.8 Opérateurs d'affectation
2.1.9 Dérivées et gradients
2.2 Variables aléatoires
2.3 Estimation de l'inconfort
2.4 Théorème de Bayes
2.5 Estimation des paramètres
2.6 Paramètres vs.
Hyperparamètres
2.7 Classification vs.
retour
2.8 Apprentissage basé sur un modèle vs.
Apprentissage par cas
2.9 Apprentissage superficiel vs.
Apprentissage profond
Chapitre 3 Algorithmes de base
3.1 Régression linéaire
3.1.1 Problème
3.1.2 Solution
3.2 Régression logistique
3.2.1 Problème
3.2.2 Solution
3.3 Apprentissage par arbre de décision
3.3.1 Problème
3.3.2 Solution
3.4 Machine à vecteurs de support
3.4.1 Bruit de manipulation
3.4.2 Gestion des non-linéarités
3,5 k plus proches voisins
Chapitre 4 : Algorithmes d’apprentissage
4.1 Composantes d'un algorithme d'apprentissage
4.2 Descente en pente
4.3 Comment travaillent les ingénieurs en apprentissage automatique
4.4 Caractéristiques des algorithmes d'apprentissage
Chapitre 5 Compétences pratiques de base
5.1 Ingénierie des caractéristiques
5.1.1 Codage One-Hot
5.1.2 Division en sections
5.1.3 Normalisation
5.1.4 Normalisation
5.1.5 Gestion des fonctionnalités manquantes
5.1.6 Techniques de substitution de données
5.2 Choix d'un algorithme d'apprentissage
5.3 Ensemble d'entraînement, ensemble de validation et ensemble de test
5.4 Sous-ajustement et sur-ajustement
5.5 Règlement
5.6 Évaluation des performances du modèle
5.6.1 Matrice de confusion
5.6.2 Précision/Rappel
5.6.3 Précision
5.6.4 Précision basée sur la sensibilité aux coûts
5.6.5 Aire sous la courbe ROC (AUC)
5.7 Optimisation des hyperparamètres
5.7.1 Validation croisée
Chapitre 6 : Réseaux neuronaux et apprentissage profond
6.1 Réseaux neuronaux
6.1.1 Perceptron multicouche
6.1.2 Réseaux de neurones à propagation directe
6.2 Apprentissage profond
6.2.1 Réseaux neuronaux convolutifs
6.2.2 Réseaux de neurones récurrents
Chapitre 7 Résolution de problèmes
7.1 Régression à noyau
7.2 Multi-classification
7.3 Classification à classe unique
7.4 Classification multi-étiquettes
7.5 Apprentissage en ensemble
7.5.1 Boost et ensachage
7.5.2 Forêt aléatoire
7.5.3 Boost de gradient
7.6 Étiquetage de séquence
7.7 Apprentissage de séquence à séquence
7.8 Apprentissage actif
7.9 Apprentissage semi-supervisé
7.10 Apprentissage en une seule séance
7.11 Apprentissage sans exemple
Chapitre 8 Techniques spéciales
8.1 Gestion des ensembles de données déséquilibrés
8.2 Modèle combiné
8.3 Formation des réseaux neuronaux
8.4 Techniques réglementaires avancées
8.5 Gestion de plusieurs entrées
8.6 Gestion de plusieurs sorties
8.7 Transfert d'apprentissage
8.8 Efficacité de l'algorithme
Chapitre 9 Apprentissage non supervisé
9.1 Estimation de la densité
9.2 Cluster
9.2.1 k-moyennes
9.2.2 DBSCAN et HDBSCAN
9.2.3 Détermination du nombre de clusters
9.2.4 Autres algorithmes de clustering
9.3 Réduction dimensionnelle
9.3.1 Analyse en composantes principales
9.3.2 UMAP
Chapitre 10 : Autres méthodes d’apprentissage
10.1 Apprentissage métrique
10.2 Classement des apprentissages
10.3 Apprentissage recommandé
10.3.1 Méthode de décomposition matricielle
10.3.2 Encodeur automatique de réduction du bruit
10.4 Apprentissage auto-supervisé : plongements lexicaux
10.5 Détection des valeurs aberrantes
Conclusion du chapitre 11
11.1 Éléments non abordés dans ce livre
11.2 Remerciements
11.3 Que lire ensuite ?
Dans le livre
« Permettez-moi de vous dire la vérité d’abord. »
« Les machines n’apprennent pas. » En général, l’« apprentissage automatique » consiste à trouver des équations mathématiques.
L'application de cette équation à l'ensemble d'entrée (données d'entraînement) produit la sortie attendue.
Cette équation mathématique produit des résultats généralement corrects pour d'autres entrées (autres que les données d'entraînement).
La condition ici est que la distribution des données d'entrée soit identique ou similaire à la distribution statistique à partir de laquelle les données d'entraînement sont dérivées.
Alors pourquoi ce processus n'apprend-il pas ? Parce que même une légère distorsion des données d'entrée risque d'entraîner une sortie totalement incorrecte.
C'est différent de la façon dont les animaux apprennent.
Par exemple, si vous avez appris à jouer à un jeu vidéo en regardant droit devant vous, vous pourrez toujours bien jouer même si l'écran est légèrement incliné.
Mais les algorithmes d'apprentissage automatique ne fonctionneront pas correctement dans les jeux vidéo lorsque l'écran est incliné, à moins qu'ils ne soient entraînés à regarder droit devant eux et à reconnaître les rotations.
« Les machines n’apprennent pas. » En général, l’« apprentissage automatique » consiste à trouver des équations mathématiques.
L'application de cette équation à l'ensemble d'entrée (données d'entraînement) produit la sortie attendue.
Cette équation mathématique produit des résultats généralement corrects pour d'autres entrées (autres que les données d'entraînement).
La condition ici est que la distribution des données d'entrée soit identique ou similaire à la distribution statistique à partir de laquelle les données d'entraînement sont dérivées.
Alors pourquoi ce processus n'apprend-il pas ? Parce que même une légère distorsion des données d'entrée risque d'entraîner une sortie totalement incorrecte.
C'est différent de la façon dont les animaux apprennent.
Par exemple, si vous avez appris à jouer à un jeu vidéo en regardant droit devant vous, vous pourrez toujours bien jouer même si l'écran est légèrement incliné.
Mais les algorithmes d'apprentissage automatique ne fonctionneront pas correctement dans les jeux vidéo lorsque l'écran est incliné, à moins qu'ils ne soient entraînés à regarder droit devant eux et à reconnaître les rotations.
--- Extrait de la « Note de l'auteur »
Avis de l'éditeur
Ce que ce livre couvre
● Algorithmes d'apprentissage supervisé et non supervisé, y compris les réseaux neuronaux profonds
● Explication intuitive et claire des algorithmes et des concepts mathématiques qui en saisissent l'essence
● Techniques pratiques de construction, de débogage et d'évaluation de modèles
● Sujets avancés tels que les ensembles, les systèmes de recommandation et l'apprentissage métrique
● Algorithmes d'apprentissage supervisé et non supervisé, y compris les réseaux neuronaux profonds
● Explication intuitive et claire des algorithmes et des concepts mathématiques qui en saisissent l'essence
● Techniques pratiques de construction, de débogage et d'évaluation de modèles
● Sujets avancés tels que les ensembles, les systèmes de recommandation et l'apprentissage métrique
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 30 octobre 2025
- Nombre de pages, poids, dimensions : 199 pages | 172 × 225 × 10 mm
- ISBN13 : 9788966264933
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)
