Fondements de l'alphabétisation en IA
 |
Description
Introduction au livre
« J’ai écrit ce livre pour les débutants qui souhaitent comprendre l’IA. » – Ben Jones, auteur
* Un livre qui explique clairement les concepts de base de l'IA, en éliminant les formules complexes et les explications difficiles.
* Un ouvrage qui examine les problèmes sociaux susceptibles de découler de l'IA, tels que les inégalités, les questions de droits d'auteur, les problèmes de sécurité, les problèmes liés aux deepfakes et les menaces existentielles.
* Un livre contenant plus de 40 illustrations créatives réalisées par Ali Torban, expert en visualisation de données, pour vous aider à comprendre facilement les concepts de l'IA.
* Un livre qui aborde 10 points de vue extrêmes sur l'IA et présente une conclusion équilibrée.
* Un livre qui explique clairement les concepts de base de l'IA, en éliminant les formules complexes et les explications difficiles.
* Un ouvrage qui examine les problèmes sociaux susceptibles de découler de l'IA, tels que les inégalités, les questions de droits d'auteur, les problèmes de sécurité, les problèmes liés aux deepfakes et les menaces existentielles.
* Un livre contenant plus de 40 illustrations créatives réalisées par Ali Torban, expert en visualisation de données, pour vous aider à comprendre facilement les concepts de l'IA.
* Un livre qui aborde 10 points de vue extrêmes sur l'IA et présente une conclusion équilibrée.
- Vous pouvez consulter un aperçu du contenu du livre.
Aperçu
indice
introduction
Introduction à ce livre
PARTIE 1. Introduction à l'IA
Chapitre 1. Qu'est-ce que l'IA ?
1. Définition de l'IA
2. Les effets de l'IA
3.
IA forte et IA faible
4.
IA à usage général (GPAI)
5.
Exemples d'IA dans la vie quotidienne
1) Recommandations de films en streaming
2) Assistant virtuel
3) Reconnaissance faciale
4) Filtrage des courriels indésirables
5) Traduction automatique
6) IA générative
6.
addition
Chapitre 2. Une brève histoire de l'IA
1.
Test de Turing
2. La naissance de l'IA
3. L'âge d'or de l'IA, 1956-1974
■ Théoricien de la logique
■ IA symbolique et IA subsymbolique
■ Dépannage général
■ Le « Chatbot » d'ELIZA
4.
Le premier hiver de l'IA, 1974-1980
5.
L’essor et le déclin des systèmes experts, années 1980 – début des années 1990
6.
L'essor des réseaux neuronaux
■ 1979 : Le néocognitron de Fukushima
■ 1989 : Lynette de LeCun
■ 2009 : ImageNet de Feifei Li
■ 2012 : Alexnet de Krizhevsky
■ 2016 : AlphaGo de DeepMind
■ 2022 : ChatGPT d’OpenAI
7.
addition
PARTIE 2. TECHNOLOGIE DE L'IA
Chapitre 3.
Principes de base de l'apprentissage automatique
1.
Termes et concepts de base
2.
Contexte historique de l'apprentissage automatique
■ Facteur n° 1 : Augmentation de la puissance de calcul de l’IA
■ Facteur n° 2 : Disponibilité des données d’entraînement
3.
Les trois principales formes d'apprentissage automatique
■ Apprentissage cartographique
■ Apprentissage non supervisé
■ Apprentissage par renforcement
4.
Autres types d'apprentissage automatique
5.
Sur-ajustement et sous-ajustement
6.
addition
Chapitre 4.
Introduction à l'apprentissage profond
1.
neurones biologiques
2.
neurones artificiels
3.
réseau neuronal
4.
réseaux neuronaux profonds
5.
Entraînement des réseaux neuronaux profonds
■ Rétropropagation
■ Descente en pente
6.
Types de réseaux neuronaux profonds
■ Réseau neuronal convolutif (CNN)
■ Réseau antagoniste génératif (GAN)
■ Transformateurs et modèles de langage à grande échelle (LLM)
7.
addition
PARTIE 3. CONSIDÉRATIONS IMPORTANTES EN MATIÈRE D'IA
Chapitre 5. Avantages et inconvénients de l'IA
1.
Automatisation et prise de décision
■ Avantages au sein de l'espace de travail
■ Avantages à domicile
■ Le fardeau de la facilité
■ La soi-disant menace ontologique
2.
Impact économique et financier
■ Avantages économiques et monétaires
■ Substitution d'emplois et inégalités économiques
3.
impacts environnementaux et sociaux
■ Objectifs de développement durable environnemental et social
■ Biais et équité
4.
Autres avantages et inconvénients
■ Information et propagande politique
■ Sûreté, sécurité et confidentialité
■ Violation potentielle du droit d'auteur
5.
addition
Chapitre 6. Mythes et réalités sur l'IA
1.
Mythe n°1 : Sauveur ou destructeur ?
2.
Mythe n°2 : La superintelligence, maintenant ou jamais ?
3.
Mythe n°3 : Est-il similaire au cerveau humain ou différent ?
4.
Mythe n°4 : Objectif ou partial ?
5.
Mythe n°5 : Prospérité économique ou ruine ?
6.
Mythe n°6 : Digne de confiance ou non digne de confiance ?
7.
Mythe n°7 : La sécurité et la confidentialité sont-elles une menace ou une défense ?
8.
Mythe n° 8 : La perception est-elle réelle ? Est-elle éternellement impossible ?
9.
Mythe n°9 : Efficacité des processus ou défauts ?
10.
Mythe n°10 : Utopie ou dystopie ?
11.
addition
conclusion
Paroles de gratitude
supplément
■ Annexe 1 : Schéma détaillé du perceptron de Frank Rosenblatt
■ Annexe 2 : Schéma détaillé des neurones artificiels
■ Annexe 3 : Schéma détaillé d’un exemple simple de réseau neuronal
■ Annexe 4 : Diagramme d’un cas de réseau neuronal profond
Glossaire
Recueil de notes de bas de page
Introduction à ce livre
PARTIE 1. Introduction à l'IA
Chapitre 1. Qu'est-ce que l'IA ?
1. Définition de l'IA
2. Les effets de l'IA
3.
IA forte et IA faible
4.
IA à usage général (GPAI)
5.
Exemples d'IA dans la vie quotidienne
1) Recommandations de films en streaming
2) Assistant virtuel
3) Reconnaissance faciale
4) Filtrage des courriels indésirables
5) Traduction automatique
6) IA générative
6.
addition
Chapitre 2. Une brève histoire de l'IA
1.
Test de Turing
2. La naissance de l'IA
3. L'âge d'or de l'IA, 1956-1974
■ Théoricien de la logique
■ IA symbolique et IA subsymbolique
■ Dépannage général
■ Le « Chatbot » d'ELIZA
4.
Le premier hiver de l'IA, 1974-1980
5.
L’essor et le déclin des systèmes experts, années 1980 – début des années 1990
6.
L'essor des réseaux neuronaux
■ 1979 : Le néocognitron de Fukushima
■ 1989 : Lynette de LeCun
■ 2009 : ImageNet de Feifei Li
■ 2012 : Alexnet de Krizhevsky
■ 2016 : AlphaGo de DeepMind
■ 2022 : ChatGPT d’OpenAI
7.
addition
PARTIE 2. TECHNOLOGIE DE L'IA
Chapitre 3.
Principes de base de l'apprentissage automatique
1.
Termes et concepts de base
2.
Contexte historique de l'apprentissage automatique
■ Facteur n° 1 : Augmentation de la puissance de calcul de l’IA
■ Facteur n° 2 : Disponibilité des données d’entraînement
3.
Les trois principales formes d'apprentissage automatique
■ Apprentissage cartographique
■ Apprentissage non supervisé
■ Apprentissage par renforcement
4.
Autres types d'apprentissage automatique
5.
Sur-ajustement et sous-ajustement
6.
addition
Chapitre 4.
Introduction à l'apprentissage profond
1.
neurones biologiques
2.
neurones artificiels
3.
réseau neuronal
4.
réseaux neuronaux profonds
5.
Entraînement des réseaux neuronaux profonds
■ Rétropropagation
■ Descente en pente
6.
Types de réseaux neuronaux profonds
■ Réseau neuronal convolutif (CNN)
■ Réseau antagoniste génératif (GAN)
■ Transformateurs et modèles de langage à grande échelle (LLM)
7.
addition
PARTIE 3. CONSIDÉRATIONS IMPORTANTES EN MATIÈRE D'IA
Chapitre 5. Avantages et inconvénients de l'IA
1.
Automatisation et prise de décision
■ Avantages au sein de l'espace de travail
■ Avantages à domicile
■ Le fardeau de la facilité
■ La soi-disant menace ontologique
2.
Impact économique et financier
■ Avantages économiques et monétaires
■ Substitution d'emplois et inégalités économiques
3.
impacts environnementaux et sociaux
■ Objectifs de développement durable environnemental et social
■ Biais et équité
4.
Autres avantages et inconvénients
■ Information et propagande politique
■ Sûreté, sécurité et confidentialité
■ Violation potentielle du droit d'auteur
5.
addition
Chapitre 6. Mythes et réalités sur l'IA
1.
Mythe n°1 : Sauveur ou destructeur ?
2.
Mythe n°2 : La superintelligence, maintenant ou jamais ?
3.
Mythe n°3 : Est-il similaire au cerveau humain ou différent ?
4.
Mythe n°4 : Objectif ou partial ?
5.
Mythe n°5 : Prospérité économique ou ruine ?
6.
Mythe n°6 : Digne de confiance ou non digne de confiance ?
7.
Mythe n°7 : La sécurité et la confidentialité sont-elles une menace ou une défense ?
8.
Mythe n° 8 : La perception est-elle réelle ? Est-elle éternellement impossible ?
9.
Mythe n°9 : Efficacité des processus ou défauts ?
10.
Mythe n°10 : Utopie ou dystopie ?
11.
addition
conclusion
Paroles de gratitude
supplément
■ Annexe 1 : Schéma détaillé du perceptron de Frank Rosenblatt
■ Annexe 2 : Schéma détaillé des neurones artificiels
■ Annexe 3 : Schéma détaillé d’un exemple simple de réseau neuronal
■ Annexe 4 : Diagramme d’un cas de réseau neuronal profond
Glossaire
Recueil de notes de bas de page
Image détaillée
Dans le livre
« Intelligence artificielle, apprentissage profond, apprentissage automatique ? Quel que soit le domaine que vous abordez, si vous ne le comprenez pas, vous devez l'apprendre. »
Sinon, nous deviendrons des dinosaures dans trois ans.
« Comprendre l’IA dépend de la compréhension de l’apprentissage automatique, et d’un sous-ensemble particulier de l’apprentissage automatique appelé apprentissage profond. »
* « Pensez à apprendre à faire du vélo. »
Même si quelqu'un vous donnait une série de réponses correctes (comme dans le cadre d'un apprentissage supervisé) sur la façon de faire du vélo, et même si vous obteniez une note parfaite à un tel test écrit, vous ne seriez pas réellement capable de faire du vélo.
Et même si vous passiez toute la journée à observer les autres enfants du quartier faire du vélo (comme un apprentissage non supervisé), en identifiant soigneusement les schémas de leurs mouvements, vous ne seriez toujours pas capable de faire du vélo.
Pour apprendre à faire du vélo, il faut effectivement monter dessus et le faire avancer.
Au début, vous pédalerez une ou deux fois et vous tomberez.
Si tu tombes, tu vas te blesser, tu pourrais t'écorcher le genou ou te faire un bleu à l'épaule.
* « La vitesse d’apprentissage peut être comparée à la vitesse à laquelle un skieur peut descendre. »
Plus rapide ne signifie pas forcément meilleur.
Si un skieur skie trop lentement, il lui faudra beaucoup de temps pour atteindre le refuge de montagne.
Mais si vous descendez trop vite, vous risquez de dépasser le refuge et de devoir remonter de l'autre côté.
« C’est une erreur de penser que toute innovation technologique n’a qu’un seul aspect. »
Toute technologie est à la fois un fardeau et une bénédiction ; ce n'est pas l'un ou l'autre, mais les deux à la fois.
* « Bien que cela puisse nécessiter beaucoup d'efforts et de dépenses, les données peuvent être nettoyées et les erreurs peuvent être supprimées ou corrigées. »
Mais les données du monde réel présentent un problème plus persistant et plus pernicieux : elles sont collectées dans un monde réel où les inégalités et les injustices sont profondément imbriquées.
* « Les données sont une arme à double tranchant. »
Les données peuvent aider l'IA à réaliser des percées, mais elles peuvent aussi perpétuer, exacerber et, de fait, « ancrer » les inégalités dans diverses situations.
Sinon, nous deviendrons des dinosaures dans trois ans.
« Comprendre l’IA dépend de la compréhension de l’apprentissage automatique, et d’un sous-ensemble particulier de l’apprentissage automatique appelé apprentissage profond. »
* « Pensez à apprendre à faire du vélo. »
Même si quelqu'un vous donnait une série de réponses correctes (comme dans le cadre d'un apprentissage supervisé) sur la façon de faire du vélo, et même si vous obteniez une note parfaite à un tel test écrit, vous ne seriez pas réellement capable de faire du vélo.
Et même si vous passiez toute la journée à observer les autres enfants du quartier faire du vélo (comme un apprentissage non supervisé), en identifiant soigneusement les schémas de leurs mouvements, vous ne seriez toujours pas capable de faire du vélo.
Pour apprendre à faire du vélo, il faut effectivement monter dessus et le faire avancer.
Au début, vous pédalerez une ou deux fois et vous tomberez.
Si tu tombes, tu vas te blesser, tu pourrais t'écorcher le genou ou te faire un bleu à l'épaule.
* « La vitesse d’apprentissage peut être comparée à la vitesse à laquelle un skieur peut descendre. »
Plus rapide ne signifie pas forcément meilleur.
Si un skieur skie trop lentement, il lui faudra beaucoup de temps pour atteindre le refuge de montagne.
Mais si vous descendez trop vite, vous risquez de dépasser le refuge et de devoir remonter de l'autre côté.
« C’est une erreur de penser que toute innovation technologique n’a qu’un seul aspect. »
Toute technologie est à la fois un fardeau et une bénédiction ; ce n'est pas l'un ou l'autre, mais les deux à la fois.
* « Bien que cela puisse nécessiter beaucoup d'efforts et de dépenses, les données peuvent être nettoyées et les erreurs peuvent être supprimées ou corrigées. »
Mais les données du monde réel présentent un problème plus persistant et plus pernicieux : elles sont collectées dans un monde réel où les inégalités et les injustices sont profondément imbriquées.
* « Les données sont une arme à double tranchant. »
Les données peuvent aider l'IA à réaliser des percées, mais elles peuvent aussi perpétuer, exacerber et, de fait, « ancrer » les inégalités dans diverses situations.
--- Extrait du texte
SPÉCIFICATIONS DES PRODUITS
- Date d'émission : 1er août 2025
- Nombre de pages, poids, dimensions : 296 pages | 148 × 210 × 20 mm
- ISBN13 : 9791193091036
- ISBN10 : 1193091039
Vous aimerez peut-être aussi
카테고리
Langue coréenne
Langue coréenne
![ELLE 엘르 A형 (여성월간) : 1월 [2026]](http://librairie.coreenne.fr/cdn/shop/files/3b70e1cf77cf67d6da56e0eb041901e8.jpg?v=1767265322&width=3840)
