{"product_id":"138017","title":"Apprentissage profond et IA générative avec PyTorch ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPCf1P5KoPD94Mvsu9iwWRXBMUhz.png?v=1765059660\" 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 Apprentissage profond et IA générative avec PyTorch \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\/163744828\/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\u003e L'IA générative, qui a récemment attiré l'attention, avec des exemples comme ChatGPT, Gemini et Perplexity, dépasse le simple cadre des outils et engendre des changements profonds dans tous les domaines de la société, notamment la science, la technologie, l'art et l'éducation. \u003cbr\u003eElles s'immiscent dans de nombreux aspects de notre vie quotidienne en tant qu'« assistants numériques » capables de comprendre le langage humain, de stimuler la créativité et d'aider à la résolution de problèmes complexes. L'IA n'est plus l'apanage des seuls experts ; elle est désormais utilisée par les gouvernements, les entreprises et les particuliers comme outil de travail, d'apprentissage et de créativité, et sa diffusion est plus rapide que prévu.\u003cbr\u003e En réalité, l'IA générative est utilisée comme un « outil d'efficacité » pratique dans divers domaines tels que le service client en entreprise, la révision juridique, l'aide à la rédaction d'articles, la synthèse de documents et le codage.\u003cbr\u003e\u003cbr\u003e Ce changement rappelle l'avènement de l'ordinateur personnel dans les années 1980, il y a à peine quelques décennies.\u003cbr\u003e À l'époque, les ordinateurs étaient des outils spécialisés utilisés par un très petit nombre de personnes, mais bientôt Word, Excel et le courrier électronique sont devenus du « bon sens » plutôt que de la « technologie ».\u003cbr\u003e L'apprentissage profond d'aujourd'hui est comparable aux ordinateurs personnels de cette époque. \u003cbr\u003eL'IA générative n'est qu'une application d'une technologie appelée apprentissage profond, mais elle repose essentiellement sur le concept de « réseau neuronal artificiel », qui imite la structure d'apprentissage humaine.\u003cbr\u003e Cela repose sur la compréhension des principes de « l'apprentissage et de la prédiction à partir des données » plutôt que sur la simple « compétence » en matière d'écriture de code.\u003cbr\u003e\u003cbr\u003e Grâce à l'IA générative, l'apprentissage de l'utilisation complexe des bibliothèques et du code d'implémentation des modèles est devenu une connaissance presque inutile ; comprendre les concepts, les principes de fonctionnement et l'importance du traitement des données dans la société future est donc une compétence essentielle.\u003cbr\u003e Comprendre comment les modèles d'apprentissage profond apprennent et comment ils structurent l'information nous permet d'interpréter de manière critique les résultats de l'IA plutôt que de leur faire aveuglément confiance. \u003cbr\u003eLa véritable culture numérique (culture de l'IA) ne se limite pas à la capacité de l'utilisateur à « rechercher des informations, écrire et générer des idées à l'aide de l'IA générative », mais englobe également la capacité d'expliquer pourquoi les résultats ont été obtenus.\u003cbr\u003e\n\n\u003c\/div\u003e\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 Partie 1 : Comment fonctionne l'apprentissage profond\u003cbr\u003e Chapitre 1 : Résumé des principes et du contenu de l'apprentissage automatique\u003cbr\u003e 1.1 ML (apprentissage automatique)\u003cbr\u003e 1.2 DL (apprentissage profond)\u003cbr\u003e 1.3 Apprentissage par renforcement (RL)\u003cbr\u003e Chapitre 2 : Données d’apprentissage profond et trois réseaux neuronaux de base\u003cbr\u003e 2.1 Prétraitement des données\u003cbr\u003e 2.2 Types de données utilisées en apprentissage profond\u003cbr\u003e 2.3 Conception de trois réseaux neuronaux principaux pour la couche cachée\u003cbr\u003e Chapitre 3 Fonctions de perte et optimisation\u003cbr\u003e 3.1 Couche de sortie et fonction de perte\u003cbr\u003e 3.2 Rétropropagation\u003cbr\u003e 3.3 Algorithme d'optimisation\u003cbr\u003e Chapitre 4 : Comprendre PyTorch\u003cbr\u003e 4.1 Grammaire et applications PyTorch\u003cbr\u003e 4.2 Structure des modèles d'apprentissage profond, des ensembles de données et stockage des modèles\u003cbr\u003e 4.3 Applications des MLP, RNN et CNN \u003cbr\u003eChapitre 5 : Analyse des erreurs, optimisation des hyperparamètres et amélioration des performances des modèles d’apprentissage profond\u003cbr\u003e 5.1 Analyse des erreurs\u003cbr\u003e 5.2 Partitionnement des données\u003cbr\u003e 5.3 Optimisation des hyperparamètres\u003cbr\u003e 5.4 Amélioration des performances des modèles d'apprentissage profond\u003cbr\u003e Chapitre 6 : Applications des réseaux de neurones convolutifs et de l’apprentissage par transfert\u003cbr\u003e 6.1 Application des CNN à la distinction du genre humain\u003cbr\u003e 6.2 Apprentissages antérieurs\u003cbr\u003e 6.3 Apprentissages antérieurs et augmentation des données\u003cbr\u003e Chapitre 7 : Préordonnancement des données textuelles et application des RNN\u003cbr\u003e 7.1 Processus de pré-organisation des données textuelles\u003cbr\u003e 7.2 Word2Vec, Glove et l'intégration de mots\u003cbr\u003e 7.3 Application du modèle RNN\u003cbr\u003e 7.4 Comparaison avec d'autres modèles RNN et CNN\u003cbr\u003e 7.5 Résumé du prétraitement des données textuelles\u003cbr\u003e Chapitre 8 : Analyse des séries temporelles à l’aide des modèles Mamba, GNN et KAN\u003cbr\u003e 8.1 Mamba\u003cbr\u003e 8.2 GNN (Réseau neuronal graphique)\u003cbr\u003e 8.3 KAN (réseau Komogorov Arnold)\u003cbr\u003e 8.4 Application aux données de séries temporelles\u003cbr\u003e Chapitre 9 : Évolution de l'architecture des CNN\u003cbr\u003e 9.1 LeNet-5\u003cbr\u003e 9.2 AlexNet\u003cbr\u003e 9.3 VGGNet\u003cbr\u003e 9.4 ResNet\u003cbr\u003e 9.5 Inception\u003cbr\u003e 9.6 Architecture STEM-Apprenant-Tâche\u003cbr\u003e 9.7 L'évolution de l'apprentissage profond\u003cbr\u003e Partie 2 Vision par ordinateur\u003cbr\u003e Chapitre 10 Détection d'objets I (R-CNN, Fast R-CNN, Faster R-CNN)\u003cbr\u003e 10.1 Suréchantillonnage\u003cbr\u003e 10.2 Identification des panneaux de signalisation \u003cbr\u003e10.3 Détection d'objets avec R-CNN\u003cbr\u003e 10.4 Fast R-CNN\u003cbr\u003e 10.5 Faster R-CNN\u003cbr\u003e Chapitre 11 Détection d'objets II (YOLO~YOLO12)\u003cbr\u003e 11.1 Détermination de la véritable boîte carrée et de la variable objectif de YOLO\u003cbr\u003e 11.2 YOLO-v3\u003cbr\u003e 11.3 Évolution de la version YOLO\u003cbr\u003e Chapitre 12 : Visualisation des canaux, rêve profond et transfert de style\u003cbr\u003e 12.1 Visualisation des canaux\u003cbr\u003e 12.2 Rêve profond\u003cbr\u003e 12.3 Style précédent\u003cbr\u003e Chapitre 13 : Auto-encodeurs variationnels et modèles de diffusion\u003cbr\u003e 13.1 Auto-encodeur\u003cbr\u003e 13.2 Auto-encodeur variationnel\u003cbr\u003e 13.3 VAE conditionnelle\u003cbr\u003e 13.4 Modèle de diffusion\u003cbr\u003e Chapitre 14 Réseaux antagonistes génératifs (GAN)\u003cbr\u003e 14.1 DCGAN\u003cbr\u003e 14.2 Cycle GAN\u003cbr\u003e 3e partie du LLM\u003cbr\u003e Chapitre 15 : Modèle Seq2Seq\u003cbr\u003e 15.1 Pré-organisation des données\u003cbr\u003e 15.2 Apprentissage de séquence à séquence\u003cbr\u003e 15.3 Seq2Seq utilisant Attention\u003cbr\u003e Chapitre 16 Transformateur\u003cbr\u003e 16.1 Couche d'entrée du transformateur\u003cbr\u003e 16.2 Couche cachée du transformateur\u003cbr\u003e 16.3 Application du transformateur\u003cbr\u003e 16.4 Chatbot coréen\u003cbr\u003e Chapitre 17 Modèles de langage naturel\u003cbr\u003e 17.1 Pré-entraînement, ajustement fin, apprentissage avec peu d'exemples et apprentissage sans exemple\u003cbr\u003e 17.2 Tokenisation des sous-mots\u003cbr\u003e 17.3 Modèle de langage à auto-encodage\u003cbr\u003e 17.4 Transformateur pré-entraîné génératif (GPT) et échantillonnage pour la génération de texte \u003cbr\u003eChapitre 18 : ViT, OCR, CLIP, diffusion stable, SAM et remplissage d’images\u003cbr\u003e 18.1 ViT (Transformateur de vision)\u003cbr\u003e 18.2 TrOCR\u003cbr\u003e 18.3 CLIP (pré-entraînement contrastif langage-image)\u003cbr\u003e 18.4 Modèle de diffusion stable\u003cbr\u003e 18.5 Modèle de segmentation tout-en-un (SAM)\u003cbr\u003e 18.6 Peinture en relief\u003cbr\u003e Chapitre 19 : Évolution du modèle LLM\u003cbr\u003e 19.1 T5 et LlaMA\u003cbr\u003e 19.2 Évolution de l'attention du transformateur\u003cbr\u003e 19,3 RWKV\u003cbr\u003e 19.4 Ajustement de l'adéquation du modèle LLM\u003cbr\u003e 19.5 Génération augmentée pour la récupération (RAG)\u003cbr\u003e 19.6 Comparaison des modèles LLM et des modèles LLM open source\u003cbr\u003e 19.7 L'évolution de l'IA\u003cbr\u003e Chapitre 20 : Applications des modèles de langage utilisant Hugging Face\u003cbr\u003e 20.1 Comment sélectionner un modèle NLP dans Transformers\u003cbr\u003e 20.2 Application des modèles de langage à l'aide de Hugging Face\u003cbr\u003e 20.3 Réglage fin à l'aide de Hugging Face\u003cbr\u003e Chapitre 21 : Procédures de création d’un LLM et ingénierie rapide\u003cbr\u003e 21.1 Procédure de création d'un modèle LLM\u003cbr\u003e 21.2 Un LLM de style coréen est-il nécessaire ?\u003cbr\u003e 21.3 Ingénierie rapide\u003cbr\u003e Références\u003cbr\u003e Recherche\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 Ce livre est divisé en trois parties dans ce but. \u003cbr\u003eLa première partie aborde les principes fondamentaux de l'apprentissage profond, notamment le concept d'apprentissage profond, la structure de base, l'estimation des paramètres et les principes de fonctionnement, le diagnostic du modèle et les techniques d'amélioration des performances, ainsi que la quantification du langage naturel.\u003cbr\u003e Les parties 2 et 3 se concentrent sur l'application de l'apprentissage profond à la vision par ordinateur et aux modèles de langage, y compris LLM.\u003cbr\u003e La partie 2 traite de la reconnaissance d'objets, essentielle pour les véhicules autonomes, à l'aide de la série R-CNN et de YOLO-v1 à YOLO-v12, de l'art IA utilisant Deep Dream et le transfert de style, ainsi que de la génération de données et du cross-domaine à l'aide de VAE, de modèles de diffusion et de modèles GAN.\u003cbr\u003e La partie 3 traite du transformateur, qui a donné naissance à l'IA générative de pointe actuelle, et de ses modèles pré-entraînés dérivés tels que BERT, GPT, T5 et BART, ainsi que de l'utilisation de divers modèles pré-entraînés utilisant Hugging Face, le réglage fin et les modèles coréens. \u003cbr\u003eLes techniques récentes d'IA générative utilisant Transformer, telles que ViT, OCR, CLIP, Stable Diffusion, SAM et In-painting, sont également expliquées et appliquées selon des principes théoriques.\u003cbr\u003e De plus, nous avons discuté de l'évolution du modèle LLM depuis Transformer, et en particulier, nous avons divisé le processus de développement des LLM génératifs souverains tels que ChatGPT et Gemini en neuf étapes et expliqué pourquoi un modèle de base coréen est nécessaire sur cette base.\u003cbr\u003e Enfin, l'ingénierie des invites, qui modifie et améliore les invites pour aider l'IA (fondation LLM) à comprendre les intentions de l'utilisateur et à obtenir les meilleurs résultats, a été abordée avec divers exemples d'invites du point de vue de cinq cadres d'invite.\u003cbr\u003e\u003cbr\u003e À l'avenir, plutôt que de vivre en harmonie avec l'IA, ceux qui la comprennent et la maîtrisent auront davantage d'opportunités. Il est possible de vivre sans comprendre l'IA. \u003cbr\u003eCependant, ceux qui maîtrisent les principes de l'IA peuvent impulser ce changement. Si l'utilisation efficace de l'IA est importante, nous entrons dans une ère où une compréhension approfondie de l'IA devient encore plus cruciale.\u003cbr\u003e J'espère que ce livre pourra répondre à ces besoins contemporains.\u003cbr\u003e\u003cbr\u003e Le code fourni dans ce livre a été écrit en PyTorch, et le code et les données nécessaires peuvent être téléchargés depuis le site web de Free Academy (www.freeaca.com).\u003cbr\u003e Je tiens à exprimer ma gratitude à Mme Im Ja-young et à M. Park Jin-se pour leur aide précieuse dans la correction des erreurs et la réalisation des nombreux schémas conceptuels de cet ouvrage. J'exprime également toute ma reconnaissance à mon épouse et à ma famille pour leur soutien indéfectible et leurs encouragements discrets jusqu'à la publication de ce livre. \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 d'émission :\u003c\/strong\u003e 5 novembre 2025\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 640 pages | 188 × 257 × 26 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 9791158087739\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 115808773X \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":43893179416618,"sku":"138017","price":54.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/0762d0db0579c5055c15a261c9185abd.jpg?v=1765391183","url":"https:\/\/librairie.coreenne.fr\/products\/138017","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}