{"product_id":"139613","title":"Manuel d'apprentissage automatique : édition PyTorch ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jXPBvkf6hwzomkAtJ3Gt6Fu24vO2N.png?v=1765075558\" 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 Manuel d'apprentissage automatique : édition 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\/123802975\/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 \u003cb\u003eDécouvrez les livres les plus vendus d'Amazon en version PyTorch !\u003cbr\u003e Un guide pratique d'apprentissage automatique\/d'apprentissage profond, avec une théorie solide et des exemples variés.\u003cbr\u003e\u003c\/b\u003e \u003cbr\u003eLe best-seller d'Amazon « Machine Learning Textbook » renaît avec une édition PyTorch ! Cet ouvrage propose une explication équilibrée de la théorie et du code, couvrant les concepts essentiels à la compréhension du machine learning et du deep learning, le fonctionnement et l'utilisation des algorithmes fondamentaux, les mathématiques sous-jacentes, des exemples pratiques et comment éviter les pièges courants.\u003cbr\u003e De plus, l'apprentissage automatique est expliqué à l'aide des bibliothèques de base basées sur Python (SciPy, NumPy, scikit-learn, Matplotlib, Pandas), et l'apprentissage profond est expliqué à l'aide de PyTorch.\u003cbr\u003e Outre les concepts fondamentaux de PyTorch, cet ouvrage aborde également les dernières tendances telles que les transformateurs, PyTorch Lightning, XGBoost et les réseaux de neurones graphiques, complétant ainsi le contenu de la 3e édition du manuel d'apprentissage automatique. Il est basé sur les dernières versions de scikit-learn et de PyTorch.\u003cbr\u003e Recommandé à ceux qui souhaitent acquérir de solides bases en apprentissage automatique et en apprentissage profond.\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 \u003cb\u003eChapitre 1.\u003cbr\u003e Les ordinateurs apprennent à partir des données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 Construire un système intelligent qui transforme les données en connaissances\u003cbr\u003e 1.2 Trois types d'apprentissage automatique\u003cbr\u003e 1.2.1 Prédire l'avenir grâce à l'apprentissage supervisé\u003cbr\u003e 1.2.2 Résolution de problèmes réactifs par apprentissage par renforcement\u003cbr\u003e 1.2.3 Découverte de la structure cachée grâce à l'apprentissage non supervisé\u003cbr\u003e 1.3 Introduction à la terminologie et à la notation de base\u003cbr\u003e 1.3.1 Notations et conventions utilisées dans ce livre\u003cbr\u003e 1.3.2 Terminologie de l'apprentissage automatique\u003cbr\u003e 1.4 Feuille de route pour la construction de systèmes d'apprentissage automatique\u003cbr\u003e 1.4.1 Prétraitement : Mise en forme des données\u003cbr\u003e 1.4.2 Entraînement et sélection d'un modèle prédictif\u003cbr\u003e 1.4.3 Évaluer le modèle et effectuer des prédictions à l'aide d'échantillons non observés.\u003cbr\u003e 1.5 Python pour l'apprentissage automatique\u003cbr\u003e __1.5.1 Installation de paquets avec Python et PIP\u003cbr\u003e __1.5.2 Utilisation de la distribution et du gestionnaire de paquets Anaconda pour Python\u003cbr\u003e __1.5.3 Packages pour le calcul scientifique, la science des données et l'apprentissage automatique\u003cbr\u003e 1.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 2.\u003cbr\u003e Entraînement d'un algorithme de classification simple\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Neurones artificiels : bref historique des débuts de l’apprentissage automatique \u003cbr\u003e__2.1.1 Définition mathématique des neurones artificiels\u003cbr\u003e __2.1.2 Règles d'apprentissage du perceptron\u003cbr\u003e 2.2 Implémentation de l'algorithme d'apprentissage du perceptron en Python\u003cbr\u003e __2.2.1 API Perceptron orientée objet\u003cbr\u003e __2.2.2 Entraînement d'un perceptron sur le jeu de données Iris\u003cbr\u003e 2.3 Neurones linéaires adaptatifs et convergence d'apprentissage\u003cbr\u003e 2.3.1 Minimisation de la fonction de perte par descente de gradient\u003cbr\u003e __2.3.2 Implémentation d'Adalin en Python\u003cbr\u003e __2.3.3 Amélioration des résultats de la descente de gradient par ajustement des échelles de caractéristiques\u003cbr\u003e __2.3.4 Apprentissage automatique à grande échelle et descente de gradient stochastique\u003cbr\u003e 2.4 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 3.\u003cbr\u003e Présentation des modèles de classification d'apprentissage automatique avec Scikit-Learn\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 Choix d'un algorithme de classification\u003cbr\u003e 3.2 Premiers pas avec Scikit-Learn : Entraînement d’un perceptron\u003cbr\u003e 3.3 Modélisation de la probabilité de classe à l'aide de la régression logistique\u003cbr\u003e 3.3.1 Comprendre la régression logistique et la probabilité conditionnelle\u003cbr\u003e 3.3.2 Apprentissage des pondérations pour la fonction de perte logistique\u003cbr\u003e 3.3.3 Remplacer l'implémentation d'Adalin par un algorithme de régression logistique\u003cbr\u003e 3.3.4 Entraînement d'un modèle de régression logistique à l'aide de Scikit-Learn \u003cbr\u003e3.3.5 Éviter le surapprentissage grâce à la régularisation\u003cbr\u003e 3.4 Classification à marge maximale à l'aide de machines à vecteurs de support\u003cbr\u003e __3.4.1 Marge maximale\u003cbr\u003e 3.4.2 Résolution des problèmes de classification non linéaire à l'aide de variables d'écart\u003cbr\u003e __3.4.3 Autres implémentations de scikit-learn\u003cbr\u003e 3.5 Résolution de problèmes non linéaires à l'aide de SVM à noyau\u003cbr\u003e 3.5.1 Méthodes à noyau pour les données linéairement non séparables\u003cbr\u003e __3.5.2 Recherche d'un hyperplan de partitionnement dans un espace de grande dimension à l'aide de techniques de noyau\u003cbr\u003e 3.6 Apprentissage par arbre de décision\u003cbr\u003e 3.6.1 Optimisation des gains d'information : Optimisation de l'utilisation des ressources\u003cbr\u003e 3.6.2 Création d'un arbre de décision\u003cbr\u003e __3.6.3 Connexion de plusieurs arbres de décision avec des forêts aléatoires\u003cbr\u003e 3.7 k plus proches voisins : un algorithme d’apprentissage paresseux\u003cbr\u003e 3.8 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 4.\u003cbr\u003e Création d'un bon jeu de données d'entraînement : prétraitement des données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Gestion des données manquantes\u003cbr\u003e 4.1.1 Identification des valeurs manquantes dans les données tabulaires\u003cbr\u003e 4.1.2 Exclusion des échantillons d'entraînement ou des caractéristiques comportant des valeurs manquantes\u003cbr\u003e 4.1.3 Remplacement des valeurs manquantes\u003cbr\u003e 4.1.4 Se familiariser avec l'API d'estimation de scikit-learn \u003cbr\u003e4.2 Traitement des données catégorielles\u003cbr\u003e 4.2.1 Encodage des données catégorielles avec Pandas\u003cbr\u003e 4.2.2 Cartographie des entités ordonnées\u003cbr\u003e 4.2.3 Encodage des étiquettes de classe\u003cbr\u003e 4.2.4 Application de l'encodage one-hot aux caractéristiques non ordonnées\u003cbr\u003e 4.3 Divisez l'ensemble de données en ensembles de données d'entraînement et de test.\u003cbr\u003e 4.4 Correspondance avec l'échelle des caractéristiques\u003cbr\u003e 4.5 Choisir des traits utiles\u003cbr\u003e 4.5.1 Régularisation L1 et régularisation L2 pour limiter la complexité du modèle\u003cbr\u003e 4.5.2 Interprétation géométrique de la réglementation L2\u003cbr\u003e 4.5.3 Parcimonie utilisant la régularisation L1\u003cbr\u003e __4.5.4 Algorithme de sélection séquentielle de caractéristiques\u003cbr\u003e 4.6 Utilisation de l'importance des caractéristiques dans les forêts aléatoires\u003cbr\u003e 4.7 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 5.\u003cbr\u003e Compression de données par réduction de dimensionnalité\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Réduction de dimensionnalité non supervisée par analyse en composantes principales\u003cbr\u003e 5.1.1 Étapes clés de l'analyse en composantes principales\u003cbr\u003e 5.1.2 Étape d'extraction des composantes principales\u003cbr\u003e 5.1.3 Variance totale et variance expliquée\u003cbr\u003e 5.1.4 Conversion d'attributs\u003cbr\u003e __5.1.5 Analyse en composantes principales dans Scikit-Learn\u003cbr\u003e 5.2 Compression de données supervisée par analyse discriminante linéaire\u003cbr\u003e 5.2.1 Analyse en composantes principales vs. analyse discriminante linéaire \u003cbr\u003e5.2.2 Fonctionnement interne de l'analyse discriminante linéaire\u003cbr\u003e 5.2.3 Calcul de la matrice de dispersion\u003cbr\u003e __5.2.4 Sélection des vecteurs discriminants linéaires pour les nouveaux sous-espaces de caractéristiques\u003cbr\u003e 5.2.5 Projection des échantillons dans un nouvel espace de caractéristiques\u003cbr\u003e __5.2.6 LDA dans scikit-learn\u003cbr\u003e 5.3 Réduction de dimensionnalité non linéaire et visualisation\u003cbr\u003e __5.3.1 Pourquoi envisager une réduction de dimensionnalité non linéaire ?\u003cbr\u003e 5.3.2 Visualisation des données à l'aide de t-SNE\u003cbr\u003e 5.4 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 6.\u003cbr\u003e Meilleures pratiques pour l'évaluation des modèles et le réglage des hyperparamètres\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Flux de travail efficace grâce aux pipelines\u003cbr\u003e __6.1.1 Ensemble de données sur le cancer du sein du Wisconsin\u003cbr\u003e 6.1.2 Raccordement des transformateurs et des estimateurs aux canalisations\u003cbr\u003e 6.2 Évaluation des performances du modèle à l'aide de la validation croisée k-fold\u003cbr\u003e 6.2.1 Méthode de test de validation\u003cbr\u003e __6.2.2 Validation croisée à k plis\u003cbr\u003e 6.3 Débogage des algorithmes à l'aide des courbes d'apprentissage et de validation\u003cbr\u003e 6.3.1 Analyse des problèmes de biais et de variance liés aux courbes d'apprentissage\u003cbr\u003e 6.3.2 Analyse du surapprentissage et du sous-apprentissage à l'aide de courbes de validation\u003cbr\u003e 6.4 Optimisation des modèles d'apprentissage automatique par recherche sur grille \u003cbr\u003e6.4.1 Optimisation des hyperparamètres par recherche sur grille\u003cbr\u003e 6.4.2 Exploration plus large des paramètres d'hyperparamètres avec la recherche aléatoire\u003cbr\u003e 6.4.3 Recherche d'hyperparamètres économe en ressources à l'aide de la méthode SH\u003cbr\u003e 6.4.4 Sélection de l'algorithme par validation croisée imbriquée\u003cbr\u003e 6.5 Divers indicateurs d'évaluation des performances\u003cbr\u003e 6.5.1 Matrice d'erreur\u003cbr\u003e 6.5.2 Optimisation de la précision et du rappel des modèles de classification\u003cbr\u003e 6.5.3 Tracé de la courbe ROC\u003cbr\u003e 6.5.4 Métriques de performance pour la classification multiple\u003cbr\u003e 6.5.5 Gestion des classes déséquilibrées\u003cbr\u003e 6.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 7.\u003cbr\u003e Apprentissage d'ensemble combinant différents modèles\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 7.1 Apprentissage en ensemble\u003cbr\u003e 7.2 Classification par ensemble utilisant le vote majoritaire\u003cbr\u003e 7.2.1 Mise en œuvre d'un classificateur à vote majoritaire simple\u003cbr\u003e 7.2.2 Élaboration de prédictions à l'aide du vote majoritaire\u003cbr\u003e 7.2.3 Évaluation et optimisation des classificateurs d'ensemble\u003cbr\u003e 7.3 Bagging : Ensembles de classification par échantillonnage bootstrap\u003cbr\u003e 7.3.1 Fonctionnement de l'algorithme de bagging\u003cbr\u003e 7.3.2 Classification d'échantillons de l'ensemble de données sur le vin à l'aide de la méthode d'agrégation (Bagging)\u003cbr\u003e 7.4 AdaBoost avec des apprenants faibles \u003cbr\u003e7.4.1 Fonctionnement du boosting\u003cbr\u003e 7.4.2 Utilisation d'AdaBoost dans Scikit-learn\u003cbr\u003e 7.5 Gradient Boosting : Entraînement d'ensemble basé sur le gradient de perte\u003cbr\u003e 7.5.1 Comparaison d'AdaBoost et de Gradient Boosting\u003cbr\u003e __7.5.2 Introduction à l'algorithme de gradient boosting\u003cbr\u003e 7.5.3 Algorithme de gradient boosting pour la classification\u003cbr\u003e __7.5.4 Exemple de classification par gradient boosting\u003cbr\u003e __7.5.5 Utilisation de XGBoost\u003cbr\u003e 7.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 8.\u003cbr\u003e Application de l'apprentissage automatique à l'analyse des sentiments\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 8.1 Préparation des données de critiques de films IMDb pour le traitement de texte\u003cbr\u003e 8.1.1 Obtention d'un ensemble de données de critiques de films\u003cbr\u003e 8.1.2 Prétraitement de l'ensemble de données de critiques de films sous une forme plus simple\u003cbr\u003e 8.2 Introduction au modèle BoW\u003cbr\u003e 8.2.1 Conversion des mots en vecteurs de caractéristiques\u003cbr\u003e 8.2.2 Évaluation de la pertinence des mots à l'aide de TF-IDF\u003cbr\u003e 8.2.3 Nettoyage des données textuelles\u003cbr\u003e 8.2.4 Division d'un document en jetons\u003cbr\u003e 8.3 Entraînement d'un modèle de régression logistique pour la classification de documents\u003cbr\u003e 8.4 Traitement de données à grande échelle : algorithmes en ligne et apprentissage en mémoire externe \u003cbr\u003e8.5 Modélisation thématique à l'aide de l'allocation de Dirichlet latente\u003cbr\u003e 8.5.1 Décomposition de documents textuels à l'aide de LDA\u003cbr\u003e __8.5.2 LDA dans scikit-learn\u003cbr\u003e 8.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 9.\u003cbr\u003e Prédiction des variables cibles continues à l'aide de l'analyse de régression\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 9.1 Régression linéaire\u003cbr\u003e 9.1.1 Régression linéaire simple\u003cbr\u003e 9.1.2 Régression linéaire multiple\u003cbr\u003e 9.2 Exploration de l'ensemble de données sur le logement d'Ames\u003cbr\u003e __9.2.1 Lecture du jeu de données Ames Housing sous forme de DataFrame\u003cbr\u003e 9.2.2 Visualisation des principales caractéristiques de l'ensemble de données\u003cbr\u003e 9.2.3 Analyse à l'aide d'une matrice de corrélation\u003cbr\u003e 9.3 Mise en œuvre d'un modèle de régression linéaire par les moindres carrés\u003cbr\u003e 9.3.1 Détermination des paramètres d'un modèle de régression par descente de gradient\u003cbr\u003e __9.3.2 Estimation des poids d'un modèle de régression avec scikit-learn\u003cbr\u003e 9.4 Entraînement d'un modèle de régression stable à l'aide de RANSAC\u003cbr\u003e 9.5 Évaluation des performances des modèles de régression linéaire\u003cbr\u003e 9.6 Application de la régularisation à la régression\u003cbr\u003e 9.7 Conversion d'un modèle de régression linéaire en régression polynomiale\u003cbr\u003e __9.7.1 Addition de termes polynomiaux à l'aide de Scikit-learn\u003cbr\u003e 9.7.2 Modélisation des relations non linéaires à l'aide de l'ensemble de données sur le logement d'Ames \u003cbr\u003e9.8 Gestion des relations non linéaires à l'aide de forêts aléatoires\u003cbr\u003e __9.8.1 Régression par arbre de décision\u003cbr\u003e __9.8.2 Régression par forêt aléatoire\u003cbr\u003e 9.9 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 10.\u003cbr\u003e Gestion des données non étiquetées : analyse de clusters\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 10.1 Regroupement d'objets similaires à l'aide de l'algorithme des k-moyennes\u003cbr\u003e __10.1.1 Clustering k-means avec scikit-learn\u003cbr\u003e __10.1.2 Attribution intelligente des centroïdes initiaux des clusters avec k-means++\u003cbr\u003e 10.1.3 Clustering direct vs. indirect\u003cbr\u003e 10.1.4 Détermination du nombre optimal de clusters par la méthode du coude\u003cbr\u003e __10.1.5 Quantification de la qualité des clusters à l'aide de graphiques de silhouette\u003cbr\u003e 10.2 Organisation des groupes en un arbre hiérarchique\u003cbr\u003e 10.2.1 Clustering ascendant\u003cbr\u003e 10.2.2 Réalisation d'un clustering hiérarchique sur une matrice de distance\u003cbr\u003e 10.2.3 Relier un dendrogramme à une carte thermique\u003cbr\u003e __10.2.4 Application du clustering par fusion dans scikit-learn\u003cbr\u003e 10.3 Détection des zones denses à l'aide de DBSCAN\u003cbr\u003e 10.4 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 11.\u003cbr\u003e Mise en œuvre d'un réseau neuronal artificiel multicouche à partir de zéro\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 11.1 Modélisation de fonctions complexes à l'aide de réseaux de neurones artificiels \u003cbr\u003e__11.1.1 Résumé des réseaux neuronaux monocouches\u003cbr\u003e 11.1.2 Structure du réseau neuronal multicouche\u003cbr\u003e 11.1.3 Calcul de la sortie d'activation du réseau de neurones par calcul direct\u003cbr\u003e 11.2 Classification des chiffres manuscrits\u003cbr\u003e 11.2.1 Obtention du jeu de données MNIST\u003cbr\u003e 11.2.2 Implémentation d'un perceptron multicouche\u003cbr\u003e __11.2.3 Programmation de la boucle d'apprentissage du réseau neuronal\u003cbr\u003e __11.2.4 Évaluation des performances des modèles de réseaux neuronaux\u003cbr\u003e 11.3 Entraînement des réseaux de neurones artificiels\u003cbr\u003e 11.3.1 Calcul de la fonction de perte\u003cbr\u003e __11.3.2 Comprendre l'algorithme de rétropropagation\u003cbr\u003e __11.3.3 Entraînement d'un réseau neuronal avec l'algorithme de rétropropagation\u003cbr\u003e 11.4 Convergence des réseaux neuronaux\u003cbr\u003e 11.5 Quelques remarques sur l'implémentation des réseaux neuronaux\u003cbr\u003e 11.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 12.\u003cbr\u003e Entraînement de réseaux neuronaux avec PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 12.1 PyTorch et performances d'entraînement\u003cbr\u003e __12.1.1 Problèmes de performance\u003cbr\u003e __12.1.2 Qu'est-ce que PyTorch ?\u003cbr\u003e __12.1.3 Comment apprendre PyTorch\u003cbr\u003e 12.2 Premiers pas avec PyTorch\u003cbr\u003e __12.2.1 Installation de PyTorch\u003cbr\u003e __12.2.2 Création de tenseurs dans PyTorch\u003cbr\u003e __12.2.3 Manipulation des types et des tailles de données tensorielles\u003cbr\u003e __12.2.4 Application des opérations mathématiques aux tenseurs\u003cbr\u003e __12.2.5 fonctions chunk(), stack(), cat()\u003cbr\u003e 12.3 Création d'un pipeline d'entrée PyTorch \u003cbr\u003e__12.3.1 Création d'un DataLoader PyTorch à partir d'un tenseur\u003cbr\u003e 12.3.2 Concaténation de deux tenseurs en un seul ensemble de données\u003cbr\u003e 12.3.3 Mélanger, regrouper et répéter\u003cbr\u003e __12.3.4 Création d'un jeu de données à partir d'un fichier sur le disque local\u003cbr\u003e __12.3.5 Chargement des jeux de données à partir de la bibliothèque torchvision.datasets\u003cbr\u003e 12.4 Création d'un modèle de réseau neuronal avec PyTorch\u003cbr\u003e __12.4.1 Module de réseau neuronal PyTorch (torch.nn)\u003cbr\u003e 12.4.2 Création d'un modèle de régression linéaire\u003cbr\u003e __12.4.3 Entraînement d'un modèle avec les modules torch.nn et torch.optim\u003cbr\u003e __12.4.4 Construction d'un perceptron multicouche pour la classification du jeu de données Iris\u003cbr\u003e 12.4.5 Évaluation du modèle sur l'ensemble de données de test\u003cbr\u003e __12.4.6 Sauvegarde et chargement des modèles entraînés\u003cbr\u003e 12.5 Choix d'une fonction d'activation pour un réseau de neurones multicouches\u003cbr\u003e __12.5.1 Résumé des fonctions logistiques\u003cbr\u003e 12.5.2 Prédiction de probabilité multiclasse à l'aide de la fonction softmax\u003cbr\u003e __12.5.3 Élargissement de la plage de sortie avec des tangentes hyperboliques\u003cbr\u003e __12.5.4 Fonction d'activation ReLU\u003cbr\u003e 12.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 13.\u003cbr\u003e Apprenez-en davantage sur l'architecture de PyTorch\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 13.1 Principales caractéristiques de PyTorch \u003cbr\u003e13.2 Graphes de calcul PyTorch\u003cbr\u003e __13.2.1 Comprendre les graphes de calcul\u003cbr\u003e __13.2.2 Création de graphes avec PyTorch\u003cbr\u003e 13.3 Objets tenseurs PyTorch pour la sauvegarde et la mise à jour des paramètres du modèle\u003cbr\u003e 13.4 Calcul des gradients par différentiation automatique\u003cbr\u003e 13.4.1 Calcul du gradient de la fonction de perte par rapport aux variables entraînables\u003cbr\u003e __13.4.2 Comprendre la différenciation automatique\u003cbr\u003e __13.4.3 Échantillon hostile\u003cbr\u003e 13.5 Mise en œuvre d'architectures communes à l'aide du module torch.nn\u003cbr\u003e __13.5.1 Implémentation d'un modèle basé sur nn.Sequential\u003cbr\u003e 13.5.2 Choix d'une fonction de perte\u003cbr\u003e __13.5.3 Résolution du problème de classification XOR\u003cbr\u003e __13.5.4 Création de modèles flexibles avec nn.Modules\u003cbr\u003e __13.5.5 Création de calques personnalisés dans PyTorch\u003cbr\u003e 13.6 Projet 1 : Prévision de la consommation de carburant automobile\u003cbr\u003e __13.6.1 Utilisation des colonnes d'attributs\u003cbr\u003e 13.6.2 Entraînement d'un modèle de régression DNN\u003cbr\u003e 13.7 Projet 2 : Classification des chiffres manuscrits de MNIST\u003cbr\u003e 13.8 API PyTorch de haut niveau : Présentation de PyTorch Lightning\u003cbr\u003e __13.8.1 Préparation du modèle Lightning de PyTorch \u003cbr\u003e__13.8.2 Préparation du chargeur de données pour Lightning\u003cbr\u003e __13.8.3 Entraînement d'un modèle à l'aide de la classe Lightning Trainer\u003cbr\u003e __13.8.4 Évaluation des modèles avec TensorBoard\u003cbr\u003e 13.9 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 14.\u003cbr\u003e Classification d'images avec des réseaux neuronaux convolutifs profonds\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 14.1 Composants d'un réseau neuronal convolutif\u003cbr\u003e __14.1.1 Apprentissage des couches CNN et de caractéristiques\u003cbr\u003e __14.1.2 Réalisation d'une convolution discrète\u003cbr\u003e __14.1.3 Sous-échantillonnage\u003cbr\u003e 14.2 Construction d'un réseau neuronal convolutif profond à l'aide de blocs de base\u003cbr\u003e __14.2.1 Gestion de plusieurs entrées ou canaux de couleur\u003cbr\u003e 14.2.2 Régularisation des réseaux de neurones avec la régularisation L2 et le dropout\u003cbr\u003e __14.2.3 Fonction de perte pour la classification\u003cbr\u003e 14.3 Implémentation d'un réseau neuronal convolutif profond à l'aide de PyTorch\u003cbr\u003e 14.3.1 Structure CNN multicouche\u003cbr\u003e __14.3.2 Chargement et prétraitement des données\u003cbr\u003e __14.3.3 Implémentation d'un CNN à l'aide du module torch.nn\u003cbr\u003e 14.4 Classification des visages souriants à l'aide de réseaux neuronaux convolutifs\u003cbr\u003e __14.4.1 Chargement du jeu de données CelebA\u003cbr\u003e 14.4.2 Conversion d'images et augmentation des données\u003cbr\u003e __14.4.3 Entraînement d'un classificateur de visages souriants CNN\u003cbr\u003e 14.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 15.\u003c\/b\u003e \u003cbr\u003eModélisation de données séquentielles à l'aide de réseaux neuronaux récurrents\u003cbr\u003e\u003cbr\u003e 15.1 Introduction aux données séquentielles\u003cbr\u003e 15.1.1 Modélisation des données séquentielles : prise en compte de l’ordre\u003cbr\u003e 15.1.2 Données séquentielles vs. données de séries temporelles\u003cbr\u003e __15.1.3 Représentation séquentielle\u003cbr\u003e __15.1.4 Types de modélisation de séquences\u003cbr\u003e 15.2 Réseaux de neurones récurrents pour la modélisation de séquences\u003cbr\u003e 15.2.1 Comprendre la structure répétitive du RNN\u003cbr\u003e 15.2.2 Calcul de la sortie d'activation du RNN\u003cbr\u003e __15.2.3 Boucles cachées et boucles de sortie\u003cbr\u003e __15.2.4 La difficulté d'apprendre de longues séquences\u003cbr\u003e Cellule LSTM __15.2.5\u003cbr\u003e 15.3 Implémentation de réseaux de neurones récurrents pour la modélisation de séquences avec PyTorch\u003cbr\u003e 15.3.1 Premier projet : Analyse des sentiments des critiques de films sur IMDb\u003cbr\u003e __15.3.2 Deuxième projet : Implémentation d’un modèle de langage au niveau des caractères avec TensorFlow\u003cbr\u003e 15.4 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 16.\u003cbr\u003e Transformer : Améliorer les performances du traitement automatique du langage naturel grâce aux mécanismes d’attention\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 16.1 RNN avec mécanisme d'attention ajouté\u003cbr\u003e 16.1.1 Attention portée à l'aide apportée aux RNN pour la récupération des informations\u003cbr\u003e __16.1.2 Mécanisme d'attention original pour les RNN\u003cbr\u003e 16.1.3 Traitement des entrées avec un RNN bidirectionnel\u003cbr\u003e __16.1.4 Génération de sortie à partir d'un vecteur de contexte \u003cbr\u003e__16.1.5 Calcul des pondérations d'attention\u003cbr\u003e 16.2 Introduction du mécanisme d'auto-attention\u003cbr\u003e 16.2.1 Formes fondamentales d'auto-attention\u003cbr\u003e __16.2.2 Mécanisme d'auto-attention entraînable : attention au produit scalaire à l'échelle\u003cbr\u003e 16.3 Tout ce dont vous avez besoin, c'est d'attention : l'architecture originale du transformateur\u003cbr\u003e __16.3.1 Encodage des plongements contextuels avec attention multi-têtes\u003cbr\u003e __16.3.2 Entraînement du modèle de langage : Décodeur et attention multi-têtes masquée\u003cbr\u003e __16.3.3 Détails d'implémentation : Encodage positionnel et normalisation des couches\u003cbr\u003e 16.4 Construction de modèles de langage à grande échelle à partir de données non étiquetées\u003cbr\u003e 16.4.1 Pré-entraînement et mise au point du modèle Transformer\u003cbr\u003e 16.4.2 Utilisation de données non étiquetées avec GPT\u003cbr\u003e __16.4.3 Génération de nouveau texte à l'aide de GPT-2\u003cbr\u003e __16.4.4 Pré-entraînement bidirectionnel avec BERT\u003cbr\u003e __16.4.5 Le BART combine les atouts des deux\u003cbr\u003e 16.5 Optimisation d'un modèle BERT dans PyTorch\u003cbr\u003e __16.5.1 Chargement de l'ensemble de données des critiques de films IMDb\u003cbr\u003e __16.5.2 Tokenisation de l'ensemble de données 715 \u003cbr\u003e__16.5.3 Chargement et ajustement d'un modèle BERT pré-entraîné\u003cbr\u003e __16.5.4 Ajustez facilement les transformateurs à l'aide de l'API d'entraînement\u003cbr\u003e 16.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 17.\u003cbr\u003e Réseaux antagonistes génératifs pour la synthèse de nouvelles données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 17.1 Introduction aux réseaux antagonistes génératifs\u003cbr\u003e __17.1.1 Auto-encodeur\u003cbr\u003e __17.1.2 Modèle génératif pour la synthèse de nouvelles données\u003cbr\u003e __17.1.3 Génération de nouveaux échantillons avec GAN\u003cbr\u003e __17.1.4 Comprendre les fonctions de perte du générateur et du discriminateur des GAN\u003cbr\u003e 17.2 Implémentation d'un modèle GAN à partir de zéro\u003cbr\u003e __17.2.1 Entraînement d'un modèle GAN dans Google Colab\u003cbr\u003e 17.2.2 Mise en œuvre de réseaux de neurones générateurs et discriminateurs\u003cbr\u003e 17.2.3 Définition de l'ensemble de données d'entraînement\u003cbr\u003e __17.2.4 Entraînement d'un modèle GAN\u003cbr\u003e 17.3 Amélioration de la qualité des images synthétiques avec les GAN convolutionnels et les GAN de Wasserstein\u003cbr\u003e __17.3.1 Convolution transposée\u003cbr\u003e __17.3.2 Normalisation par lots\u003cbr\u003e __17.3.3 Implémentation des constructeurs et des discriminateurs\u003cbr\u003e __17.3.4 Mesure de la distance entre deux distributions\u003cbr\u003e __17.3.5 Utilisation de la distance EM dans les GAN\u003cbr\u003e __17.3.6 Pénalité de gradient\u003cbr\u003e __17.3.7 Entraînement d'un modèle DCGAN avec WGAN-GP\u003cbr\u003e __17.3.8 Mode réduit \u003cbr\u003e17.4 Autres applications GAN\u003cbr\u003e 17.5 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 18.\u003cbr\u003e Réseaux neuronaux graphiques pour la détection de dépendances dans les données structurées en graphes\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 18.1 Introduction aux données graphiques\u003cbr\u003e __18.1.1 Graphe non orienté\u003cbr\u003e __18.1.2 Graphe orienté\u003cbr\u003e __18.1.3 Graphique d'étiquettes\u003cbr\u003e 18.1.4 Représentation graphique des molécules\u003cbr\u003e 18.2 Comprendre la convolution de graphes\u003cbr\u003e 18.2.1 Motivation pour l'utilisation de la convolution de graphes\u003cbr\u003e __18.2.2 Implémentation de base de la convolution de graphes\u003cbr\u003e 18.3 Implémentation d'un GNN à partir de zéro dans PyTorch\u003cbr\u003e __18.3.1 Définition du modèle NodeNetwork\u003cbr\u003e __18.3.2 Création d'une couche de convolution de graphe dans NodeNetwork\u003cbr\u003e __18.3.3 Ajout d'une couche de mise en commun globale pour gérer les différentes tailles de graphes\u003cbr\u003e __18.3.4 Préparation du chargeur de données\u003cbr\u003e 18.3.5 Prédiction à l'aide d'un réseau de nœuds\u003cbr\u003e 18.4 Implémentation de GNN à l'aide de la bibliothèque géométrique PyTorch\u003cbr\u003e 18.5 Autres couches GNN et développements récents\u003cbr\u003e __18.5.1 Convolution spectrale de graphes\u003cbr\u003e __18.5.2 Mise en commun\u003cbr\u003e __18.5.3 Normalisation\u003cbr\u003e 18.5.4 Autres réseaux neuronaux graphiques avancés\u003cbr\u003e 18.6 Résumé\u003cbr\u003e\u003cbr\u003e \u003cb\u003eChapitre 19.\u003c\/b\u003e \u003cbr\u003ePrise de décision dans des environnements complexes avec apprentissage par renforcement\u003cbr\u003e\u003cbr\u003e 19.1 Tirer des leçons de l'expérience\u003cbr\u003e 19.1.1 Comprendre l'apprentissage par renforcement\u003cbr\u003e 19.1.2 Définition de l'interface agent-environnement pour les systèmes d'apprentissage par renforcement\u003cbr\u003e 19.2 Théorie de base de l'apprentissage par renforcement\u003cbr\u003e 19.2.1 Processus de décision markovien\u003cbr\u003e 19.2.2 Formule mathématique du processus de décision markovien\u003cbr\u003e 19.2.3 Terminologie de l'apprentissage par renforcement : gain, politique et fonction de valeur\u003cbr\u003e __19.2.4 Programmation dynamique utilisant l'équation de Bellman\u003cbr\u003e 19.3 Algorithmes d'apprentissage par renforcement\u003cbr\u003e 19.3.1 Programmation dynamique\u003cbr\u003e 19.3.2 Apprentissage par renforcement utilisant la méthode de Monte Carlo\u003cbr\u003e __19.3.3 Apprentissage de la différence de temps\u003cbr\u003e 19.4 Mise en œuvre de votre premier algorithme d'apprentissage par renforcement\u003cbr\u003e __19.4.1 Présentation du kit d'outils OpenAI Gym\u003cbr\u003e __19.4.2 Résolution des problèmes du monde en grille avec l'apprentissage par renforcement Q\u003cbr\u003e 19.5 Apprentissage par renforcement profond (Deep Q-Learning)\u003cbr\u003e 19.5.1 Entraînement du modèle DQN à l'aide de l'algorithme Q-learning\u003cbr\u003e __19.5.2 Implémentation d'un algorithme d'apprentissage par renforcement profond (Deep Q-Learning)\u003cbr\u003e 19.6 Résumé général\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate4357\/MidCate004\/435639658.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eDans le livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e  \u003cdiv\u003eQue vous aspiriez à devenir ingénieur en apprentissage automatique doté de compétences exceptionnelles en résolution de problèmes ou que vous envisagiez d'acquérir de l'expérience dans la recherche en apprentissage automatique, ce livre vous sera utile.\u003cbr\u003e Les débutants peuvent être submergés par les aspects théoriques de l'apprentissage automatique.\u003cbr\u003e Des tutoriels récemment publiés vous apprendront comment implémenter des algorithmes d'apprentissage haute performance.\u003cbr\u003e Travailler avec des exemples de code concrets et des exemples d'applications d'apprentissage automatique est un excellent moyen de débuter.\u003cbr\u003e Mettre en pratique ce que vous avez appris à l'aide d'exemples concrets vous aide à comprendre des concepts plus généraux.\u003cbr\u003e Mais n'oubliez pas, qui dit progrès dit responsabilités ! Ce livre vous aidera à pratiquer l'apprentissage automatique en utilisant le langage de programmation Python et les bibliothèques d'apprentissage automatique basées sur Python.\u003cbr\u003e De plus, nous introduisons la théorie mathématique des algorithmes d'apprentissage automatique. \u003cbr\u003eIl s'agit d'un élément essentiel pour réussir l'utilisation de l'apprentissage automatique.\u003cbr\u003e Par conséquent, contrairement à d'autres ouvrages pratiques, ce livre explique les principes fondamentaux de l'apprentissage automatique.\u003cbr\u003e Il fournit également une explication facile à comprendre du fonctionnement des algorithmes d'apprentissage automatique, de leur utilisation et de la manière d'éviter les erreurs courantes.\u003cbr\u003e Ce livre aborde les sujets et concepts fondamentaux dont vous avez besoin pour débuter dans ce domaine.\u003cbr\u003e Si vous souhaitez en savoir plus, vous pouvez suivre les innovations importantes dans ce domaine en consultant les documents présentés dans ce livre.\u003cbr\u003e\n\n\u003c\/div\u003e\n\u003cdiv\u003e --- Note de l'auteur\u003c\/div\u003e\n\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 \u003cb\u003eAvec des explications claires, des mathématiques et des exemples pratiques\u003cbr\u003e Je comprends parfaitement les principes fondamentaux !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e - Explication équilibrée de la théorie et du code !\u003cbr\u003e L'exécution de code à elle seule ne suffit pas à comprendre pleinement l'apprentissage automatique et l'apprentissage profond. \u003cbr\u003ePour vraiment comprendre l'apprentissage automatique et l'apprentissage profond, il faut comprendre les concepts mathématiques qui sous-tendent les théories et les algorithmes associés, en plus du code.\u003cbr\u003e Ce livre propose une approche équilibrée entre théorie et code, offrant des explications claires sur le fonctionnement des algorithmes fondamentaux d'apprentissage automatique et d'apprentissage profond, leur utilisation, les mathématiques sous-jacentes, des exemples pratiques et comment éviter les pièges courants.\u003cbr\u003e\u003cbr\u003e - Des algorithmes fondamentaux aux technologies les plus récentes !\u003cbr\u003e L'apprentissage automatique est expliqué à l'aide des bibliothèques de base basées sur Python (SciPy, NumPy, Scikit-Learn, Pandas, etc.) et l'apprentissage profond est expliqué à l'aide de PyTorch.\u003cbr\u003e Comme PyTorch est enseigné de manière similaire à Python, il est plus facile à apprendre et à programmer.\u003cbr\u003e Ce livre aborde en détail les concepts fondamentaux de PyTorch, ainsi que les GAN et l'apprentissage par renforcement. \u003cbr\u003eEn plus du contenu couvert par l'ouvrage existant 『Machine Learning Textbook Revised 3rd Edition』, nous avons ajouté les dernières tendances telles que Transformer, PyTorch Lightning, XGBoost et les réseaux neuronaux graphiques.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Apprenez avec des exemples pratiques !\u003cbr\u003e Tous les exemples présentés dans ce livre sont basés sur la vaste expérience d'enseignement et de terrain de l'auteur en tant qu'expert en apprentissage automatique\/apprentissage profond.\u003cbr\u003e Il est composé d'exemples pratiques et extensibles plutôt que de simplement apprendre des concepts.\u003cbr\u003e L'étude de ces exemples vous permettra d'acquérir une solide compréhension des concepts d'apprentissage automatique et d'apprentissage profond, des algorithmes fondamentaux et des conseils d'application. Vous maîtriserez également les principes qui vous permettront de concevoir vos propres modèles et applications.\u003cbr\u003e\u003cbr\u003e Communauté Discord pour les lecteurs : https:\/\/bit.ly\/tensor-discord\u003cbr\u003e Salle de discussion ouverte pour les questions-réponses : https:\/\/bit.ly\/tensor-chat \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 30 novembre 2023\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 876 pages | 1 693 g | 183 × 235 × 36 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 9791140707362 \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":43893369274410,"sku":"139613","price":74.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/d3c55a68a8bbd1dfd7fb3444bbdd337e.jpg?v=1765398682","url":"https:\/\/librairie.coreenne.fr\/products\/139613","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}