{"product_id":"154915","title":"Questions-réponses sur l'apprentissage automatique et l'IA ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDsmH2ST2wOU23n8l1SnQB6tDqZr.png?v=1765083015\" 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 Questions-réponses sur l'apprentissage automatique et l'IA \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\/144225906\/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\u003eInterrogez les experts en apprentissage automatique, en apprentissage profond et en intelligence artificielle.\u003cbr\u003e\u003cbr\u003e « Sebastian Lasica, je suis curieux à ce sujet ! »\u003cbr\u003e Couvrant un large éventail de sujets avancés et les dernières tendances, avec des illustrations faciles à comprendre et des formats de questions-réponses, d'une manière simple, mais accessible et attrayante !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre est un ouvrage unique en son genre, rédigé sous forme de questions-réponses par le Dr Sebastian Rasica, un expert reconnu dans le domaine de l'intelligence artificielle, afin de répondre aux questions fréquemment posées.\u003cbr\u003e Les analyses approfondies et les explications logiques de l'auteur vous aideront à mieux comprendre divers domaines de l'intelligence artificielle, notamment les réseaux neuronaux, l'apprentissage profond, la vision par ordinateur, le traitement automatique du langage naturel, l'IA générative, les performances prédictives et l'évaluation des modèles. \u003cbr\u003eAu-delà des explications théoriques de base, il organise les connaissances techniques, les méthodes d'application et les explications pratiques, présente les dernières tendances de la recherche et comprend des exercices pratiques, leurs réponses et des documents de référence utiles.\u003cbr\u003e De même, le traducteur Haeseon Park, qui travaille activement dans le domaine de l'intelligence artificielle en Chine, a rédigé une FAQ à la fin du livre répondant à 12 questions fréquemment posées par les lecteurs chinois lors de la traduction de cet ouvrage.\u003cbr\u003e J'espère que cela sera utile à ceux qui souhaitent approfondir leurs connaissances dans le domaine de l'intelligence artificielle en général.\u003cbr\u003e\u003cbr\u003e\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\u003ePartie 1 | Réseaux neuronaux et apprentissage profond\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 1 : Intégration, espace latent et représentation\u003cbr\u003e 1.1 Intégration\u003cbr\u003e 1.2 Espace potentiel\u003cbr\u003e 1.3 Expression\u003cbr\u003e 1.4 Exercices pratiques\u003cbr\u003e 1.5 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 2 L'apprentissage autodirigé\u003cbr\u003e 2.1 Apprentissage auto-supervisé vs. apprentissage par transfert\u003cbr\u003e 2.2 Utilisation de données non étiquetées \u003cbr\u003e2.3 Apprentissage auto-prédictif et auto-supervisé par contraste\u003cbr\u003e 2.4 Exercices pratiques\u003cbr\u003e Note 2.5\u003cbr\u003e\u003cbr\u003e Chapitre 3 : Apprentissage avec peu d’exemples\u003cbr\u003e 3.1 Ensembles de données et terminologie\u003cbr\u003e 3.2 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 4 : L’hypothèse du billet de loterie\u003cbr\u003e 4.1 Formation sur les billets de loterie\u003cbr\u003e 4.2 Implications pratiques et limitations\u003cbr\u003e 4.3 Exercices pratiques\u003cbr\u003e 4.4 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 5 : Réduire le surapprentissage grâce aux données\u003cbr\u003e 5.1 Méthodes représentatives\u003cbr\u003e 5.1.1 Collecte de données supplémentaires\u003cbr\u003e 5.1.2 Augmentation des données\u003cbr\u003e __5.1.3 Pré-formation\u003cbr\u003e 5.2 Autres méthodes\u003cbr\u003e 5.3 Exercices pratiques\u003cbr\u003e 5.4 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 6 : Modification du modèle pour réduire le surapprentissage\u003cbr\u003e 6.1 Méthode générale\u003cbr\u003e 6.1.1 Règlement\u003cbr\u003e 6.1.2 Petit modèle\u003cbr\u003e 6.1.3 Remarques sur les petits modèles\u003cbr\u003e __6.1.4 Méthodes d'ensemble\u003cbr\u003e 6.2 Autres méthodes\u003cbr\u003e 6.3 Choix d’une technique réglementaire\u003cbr\u003e 6.4 Exercices pratiques\u003cbr\u003e 6.5 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 7 Paradigme d'entraînement multi-GPU\u003cbr\u003e 7.1 Paradigme de formation\u003cbr\u003e __7.1.1 Parallélisme des modèles\u003cbr\u003e 7.1.2 Parallélisme des données\u003cbr\u003e 7.1.3 Parallélisme tensoriel\u003cbr\u003e __7.1.4 Parallélisation du pipeline\u003cbr\u003e 7.1.5 Parallélisme de séquence\u003cbr\u003e 7.2 Recommandation\u003cbr\u003e 7.3 Exercices pratiques\u003cbr\u003e 7.4 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 8 : Le succès des Transformers\u003cbr\u003e 8.1 Mécanisme de l'attention \u003cbr\u003e8.2 Préformation par l'apprentissage auto-supervisé\u003cbr\u003e 8.3 Grand nombre de paramètres\u003cbr\u003e 8.4 Parallélisation facile\u003cbr\u003e 8.5 Exercices pratiques\u003cbr\u003e Voir 8.6\u003cbr\u003e\u003cbr\u003e Chapitre 9 Modèles d'IA générative\u003cbr\u003e 9.1 Modélisation générative vs. modélisation discriminative\u003cbr\u003e 9.2 Types de modèles génératifs profonds\u003cbr\u003e __9.2.1 Modèle énergétique\u003cbr\u003e __9.2.2 Auto-encodeur variationnel\u003cbr\u003e __9.2.3 Réseaux antagonistes génératifs\u003cbr\u003e __9.2.4 Modèle basé sur les flux\u003cbr\u003e __9.2.5 Modèle autorégressif\u003cbr\u003e __9.2.6 Modèle de diffusion\u003cbr\u003e __9.2.7 Modèle de cohérence\u003cbr\u003e 9,3 Recommandé\u003cbr\u003e 9.4 Exercices pratiques\u003cbr\u003e Voir 9.5\u003cbr\u003e\u003cbr\u003e Chapitre 10 : Les causes du hasard\u003cbr\u003e 10.1 Initialisation des poids du modèle\u003cbr\u003e 10.2 Échantillonnage et mélange des ensembles de données\u003cbr\u003e 10.3 Algorithmes non déterministes\u003cbr\u003e 10.4 Divers algorithmes d'exécution\u003cbr\u003e 10.5 Matériel et pilotes\u003cbr\u003e 10.6 Aléatoire et IA générative\u003cbr\u003e 10.7 Exercices pratiques\u003cbr\u003e Voir 10.8\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 2 | Vision par ordinateur\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 11 Nombre de paramètres\u003cbr\u003e 11.1 Comment calculer le nombre de paramètres\u003cbr\u003e __11.1.1 Couche de convolution\u003cbr\u003e __11.1.2 Couche entièrement connectée\u003cbr\u003e 11.2 Raisons pratiques\u003cbr\u003e 11.3 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 12 Couches entièrement connectées et couches convolutionnelles  \u003cbr\u003e12.1 Lorsque la taille du noyau et la taille de l'entrée sont identiques\u003cbr\u003e 12.2 Lorsque la taille du noyau est de 1\u003cbr\u003e 12.3 Recommandé\u003cbr\u003e 12.4 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 13 : Ensembles d’entraînement à grande échelle pour les transformateurs de vision\u003cbr\u003e 13.1 Biais inductif dans les CNN\u003cbr\u003e 13.2 ViT peut surpasser CNN\u003cbr\u003e 13.3 Biais inductif de ViT\u003cbr\u003e 13.4 Recommandé\u003cbr\u003e 13.5 Exercices pratiques\u003cbr\u003e Voir 13.6\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 3 | Traitement automatique du langage naturel\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 14 Hypothèse de distribution\u003cbr\u003e 14.1 Word2vec, BERT, GPT\u003cbr\u003e 14.2 L’hypothèse est-elle valide ?\u003cbr\u003e 14.3 Exercices pratiques\u003cbr\u003e 14.4 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 15 : Enrichissement des données textuelles\u003cbr\u003e 15.1 Remplacement des synonymes\u003cbr\u003e 15.2 Suppression de mots\u003cbr\u003e 15.3 Changement de position des mots\u003cbr\u003e 15.4 Mélange de phrases\u003cbr\u003e 15,5 Ajout de bruit\u003cbr\u003e 15.6 Traduction inverse\u003cbr\u003e 15.7 Données synthétiques\u003cbr\u003e 15,8 Recommandé\u003cbr\u003e 15.9 Exercices pratiques\u003cbr\u003e Voir 15.10\u003cbr\u003e\u003cbr\u003e Chapitre 16 : L'attention à soi-même\u003cbr\u003e 16.1 Mécanisme d'attention des RNN\u003cbr\u003e 16.2 Mécanisme d'auto-attention\u003cbr\u003e 16.3 Exercices pratiques\u003cbr\u003e Voir 16.4\u003cbr\u003e\u003cbr\u003e Chapitre 17 : Transformateurs à encodeur et transformateurs à décodeur\u003cbr\u003e 17.1 Transformateur d'origine\u003cbr\u003e 17.2 Encodeur\u003cbr\u003e Décodeur 17.3\u003cbr\u003e 17.4 Encodeur-décodeur\u003cbr\u003e 17.5 Note sur la terminologie\u003cbr\u003e 17.6 Dernier modèle de transformateur  \u003cbr\u003e17.7 Exercices pratiques\u003cbr\u003e Voir 17.8\u003cbr\u003e\u003cbr\u003e Chapitre 18 : Utilisation et optimisation des modèles de transformateurs pré-entraînés\u003cbr\u003e 18.1 Utilisation des transformateurs pour les tâches de classification\u003cbr\u003e 18.2 Apprentissage en contexte, indexation et réglage des invites\u003cbr\u003e 18,3 PEFT\u003cbr\u003e 18.4 RLHF\u003cbr\u003e 18.5 Application d'un modèle pré-entraîné\u003cbr\u003e 18.6 Exercices pratiques\u003cbr\u003e Voir 18.7\u003cbr\u003e\u003cbr\u003e Chapitre 19 : Évaluation des modèles de langage génératifs à grande échelle\u003cbr\u003e 19.1 Critères d'évaluation du LLM\u003cbr\u003e 19.2 Congestion\u003cbr\u003e Score BLEU de 19,3\u003cbr\u003e Score ROUGE 19,4\u003cbr\u003e Score BERTScore : 19,5\u003cbr\u003e 19.6 Indicateurs d'évaluation par procuration\u003cbr\u003e 19.7 Exercices pratiques\u003cbr\u003e Voir 19.8\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 4 | Développement et distribution des produits\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 20 : Formation sans état et formation avec état\u003cbr\u003e 20.1 Formation des apatrides\u003cbr\u003e 20.2 Formation avec état\u003cbr\u003e 20.3 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 21 : IA axée sur les données\u003cbr\u003e 21.1 IA basée sur les données et IA basée sur les modèles\u003cbr\u003e 21.2 Recommandations\u003cbr\u003e 21.3 Exercices pratiques\u003cbr\u003e Voir 21.4\u003cbr\u003e\u003cbr\u003e Chapitre 22 : Accélérer l’inférence\u003cbr\u003e 22.1 Parallélisation\u003cbr\u003e 22.2 Vectorisation\u003cbr\u003e 22.3 Pavage en boucle\u003cbr\u003e 22.4 Fusion des opérateurs\u003cbr\u003e 22.5 Quantification\u003cbr\u003e 22.6 Exercices pratiques\u003cbr\u003e 22.7 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 23 : Évolution de la distribution des données\u003cbr\u003e 23.1 Modifications des covariables\u003cbr\u003e 23.2 Modifications d'étiquettes\u003cbr\u003e 23.3 Changement conceptuel \u003cbr\u003e23.4 Modifications du domaine\u003cbr\u003e 23.5 Types de modifications de la distribution des données\u003cbr\u003e 23.6 Exercices pratiques\u003cbr\u003e Voir 23.7\u003cbr\u003e\u003cbr\u003e \u003cb\u003ePartie 5 | Performance prédictive et évaluation du modèle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Chapitre 24 : Régression de Poisson et régression ordinale\u003cbr\u003e 24.1 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 25 Intervalles de confiance\u003cbr\u003e 25.1 Définition des intervalles de confiance\u003cbr\u003e 25.2 Méthode\u003cbr\u003e 25.2.1 Méthode 1 : Intervalle d’approximation normale\u003cbr\u003e __25.2.2 Méthode 2 : Initialisation de l’ensemble d’entraînement\u003cbr\u003e __25.2.3 Méthode 3 : Prédictions par amorçage de l’ensemble de test\u003cbr\u003e __25.2.4 Méthode 4 : Réentraînement du modèle avec une graine aléatoire différente\u003cbr\u003e 25.3 Recommandations\u003cbr\u003e 25.4 Exercices pratiques\u003cbr\u003e 25.5 Référence\u003cbr\u003e\u003cbr\u003e Chapitre 26 : Intervalles de confiance vs. prédictions conformes\u003cbr\u003e 26.1 Intervalles de confiance et intervalles de prédiction\u003cbr\u003e 26.2 Intervalles de prédiction et prédiction conforme\u003cbr\u003e 26.3 Domaine de prédiction, intervalle de prédiction et ensemble de prédiction\u003cbr\u003e 26.4 Calcul des prédictions conformes\u003cbr\u003e 26.5 Exemple de prédiction conforme\u003cbr\u003e 26.6 Avantages de la prédiction conforme\u003cbr\u003e 26.7 Recommandations\u003cbr\u003e 26.8 Exercices pratiques\u003cbr\u003e Voir 26.9\u003cbr\u003e\u003cbr\u003e Chapitre 27 Indicateurs de mesure appropriés\u003cbr\u003e 27.1 Conditions\u003cbr\u003e 27.2 Erreur quadratique moyenne\u003cbr\u003e 27.3 Perte d'entropie croisée\u003cbr\u003e 27.4 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 28 k dans la validation croisée à k plis  \u003cbr\u003eCompromis liés au choix de la valeur de 28,1 k\u003cbr\u003e 28.2 Détermination d'une valeur appropriée de k\u003cbr\u003e 28.3 Exercices pratiques\u003cbr\u003e Voir 28.4\u003cbr\u003e\u003cbr\u003e Chapitre 29 : Inadéquation entre les ensembles d’entraînement et de test\u003cbr\u003e 29.1 Exercices pratiques\u003cbr\u003e\u003cbr\u003e Chapitre 30 Données d'étiquetage limitées\u003cbr\u003e 30.1 Amélioration des performances du modèle avec des données d'étiquetage limitées\u003cbr\u003e 30.1.1 Étiquetage de données supplémentaires\u003cbr\u003e __30.1.2 Amorçage des données\u003cbr\u003e 30.1.3 Apprentissage par transfert\u003cbr\u003e 30.1.4 Apprentissage autodirigé\u003cbr\u003e 30.1.5 Apprentissage actif\u003cbr\u003e 30.1.6 Apprentissage avec peu d'exemples\u003cbr\u003e __30.1.7 Méta-apprentissage\u003cbr\u003e __30.1.8 Apprentissage faiblement supervisé\u003cbr\u003e 30.1.9 Apprentissage semi-supervisé\u003cbr\u003e __30.1.10 Autoformation\u003cbr\u003e __30.1.11 Apprentissage multitâche\u003cbr\u003e __30.1.12 Apprentissage multimodal\u003cbr\u003e __30.1.13 Biais inductif\u003cbr\u003e 30.2 Recommandations\u003cbr\u003e 30.3 Exercices pratiques\u003cbr\u003e Voir 30.4\u003cbr\u003e\u003cbr\u003e \u003cb\u003eRéponses aux exercices de l'annexe\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Recherche\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\/TopCate5236\/MidCate003\/523525616.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\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\u003e« Au-delà des bases » (Chris Albon, directeur de l'apprentissage automatique, Fondation Wikimedia)\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eSi vous êtes prêt à approfondir vos connaissances en apprentissage automatique, en apprentissage profond et en intelligence artificielle au-delà des notions de base, ce livre, structuré sous forme de questions-réponses, vous aidera à démarrer rapidement et facilement.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Ce livre est né des questions fréquemment posées à l'auteur Sebastian Rasica.\u003cbr\u003e Il aborde des sujets complexes de manière directe, simple et claire, les rendant plus faciles à comprendre et très intéressants.\u003cbr\u003e Chaque chapitre est concis et autonome, abordant une question fondamentale sur l'IA.\u003cbr\u003e Répond à vos questions avec des explications claires, des schémas et des exercices pratiques.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eCe que ce livre couvre\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e • Questions fondamentales : Répondre de manière concise aux questions fondamentales sur l'IA et décomposer les concepts complexes en éléments faciles à comprendre.\u003cbr\u003e ㆍ Large éventail de sujets : Couvre un large éventail de sujets, de l'architecture des réseaux neuronaux et de l'évaluation des modèles à la vision par ordinateur et au traitement du langage naturel. \u003cbr\u003e• Application pratique : Apprenez des techniques telles que l’amélioration des performances du modèle et le réglage fin des modèles à grande échelle.\u003cbr\u003e\u003cbr\u003e \u003cb\u003eIl contient également les éléments suivants :\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Gestion de divers facteurs d'aléatoire dans l'apprentissage des réseaux neuronaux\u003cbr\u003e Comprendre la différence entre les architectures d'encodeur et de décodeur dans les modèles de langage à grande échelle\u003cbr\u003e • Réduire le surapprentissage en modifiant les données et les modèles\u003cbr\u003e • Construire des intervalles de confiance pour les modèles de classification et optimiser les modèles lorsque les données d'étiquetage sont insuffisantes.\u003cbr\u003e ㆍ Choisissez parmi une variété de paradigmes d'entraînement multi-GPU et de types de modèles d'IA génératifs.\u003cbr\u003e Comprendre les indicateurs de performance du traitement automatique du langage naturel\u003cbr\u003e Comprendre le biais inductif dans les transformateurs de vision\u003cbr\u003e\u003cbr\u003e Si vous recherchez le livre idéal pour approfondir vos connaissances en apprentissage automatique, « Machine Learning Q\u0026amp;AI » vous permettra d'aller bien au-delà des notions de base.\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Préface de l'auteur]\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eDans cet ouvrage, le terme « apprentissage automatique » est utilisé au sens large, englobant l'apprentissage automatique, l'apprentissage profond et l'intelligence artificielle.\u003cbr\u003e Chaque chapitre, structuré autour de questions liées aux concepts clés de l'apprentissage automatique, de l'apprentissage profond et de l'IA, utilise un style de questions-réponses unique.\u003cbr\u003e Toutes les questions sont accompagnées d'explications, de diverses images et graphiques, ainsi que d'exercices pratiques pour faciliter la compréhension.\u003cbr\u003e De nombreux chapitres incluent également des documents de référence pour approfondir le sujet.\u003cbr\u003e\u003cbr\u003e\u003cbr\u003e Ce livre aborde un large éventail de sujets.\u003cbr\u003e L’acquisition de nouvelles connaissances sur les architectures existantes, telles que les réseaux neuronaux convolutifs, nous permettra d’exploiter plus efficacement cette technologie.\u003cbr\u003e Nous abordons également des techniques avancées telles que les modèles de langage à grande échelle (LLM) et le fonctionnement interne des transformateurs de vision.\u003cbr\u003e Même les chercheurs et technologues expérimentés en apprentissage automatique trouveront de nouveaux outils à ajouter à leur boîte à outils.\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Préface du traducteur]\u003c\/b\u003e\u003cbr\u003e \u003cbr\u003eComme l'indique l'auteur, ce livre est conçu pour aider les lecteurs ayant lu le livre d'introduction à passer au niveau suivant.\u003cbr\u003e Tout en traduisant, j'ai également appris beaucoup de choses nouvelles.\u003cbr\u003e Contrairement aux ouvrages classiques sur l'apprentissage automatique, il ne contient ni formules ni code, ce qui le rend accessible à tous.\u003cbr\u003e J'espère que ce livre vous sera utile dans votre parcours en apprentissage automatique.\u003cbr\u003e\u003cbr\u003e Les errata de ce livre seront publiés sur le blog (https:\/\/tensorflow.blog\/ml-q-and-ai).\u003cbr\u003e Veuillez vérifier avant de lire le livre.\u003cbr\u003e Tout ce qui concerne ce livre est le bienvenu.\u003cbr\u003e N'hésitez pas à me contacter à tout moment par blog ou par e-mail.\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Avis d'un lecteur bêta]\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre est présenté sous forme de questions-réponses avec les lecteurs et illustré de manière claire et concise. Les lecteurs, qu'ils soient simplement curieux ou experts en IA, pourront trouver des réponses à de nombreuses questions et approfondir leurs connaissances.\u003cbr\u003e\u003cbr\u003e - Shim Hyeong-gwang, développeur front-end et back-end, informations d'identification coréennes\u003cbr\u003e \u003cbr\u003eCe livre aborde des sujets en profondeur et s'adresse à ceux qui maîtrisent les bases de l'apprentissage automatique et de l'apprentissage profond. Il propose des exercices pour un apprentissage autonome et des ressources documentaires pour approfondir le sujet.\u003cbr\u003e Au-delà des simples explications théoriques, il présente également des cas d'application pratiques et les dernières tendances de la recherche, donnant aux lecteurs le sentiment d'être à la pointe du domaine de l'IA.\u003cbr\u003e Globalement, il s'agit d'un ouvrage très utile pour quiconque souhaite approfondir ses connaissances dans le domaine de l'apprentissage automatique.\u003cbr\u003e - Sanggil Park, ingénieur logiciel, Viv Studios\u003cbr\u003e\u003cbr\u003e C'est amusant et facile, comme lire un article de blog.\u003cbr\u003e Au lieu d'énumérer de manière rigide des concepts complexes, nous les expliquons comme si nous déroulions une histoire intéressante.\u003cbr\u003e J'ai particulièrement apprécié que chaque sujet soit court et indépendant, ce qui me permettait de lire d'abord les parties qui m'intriguaient.\u003cbr\u003e - Hyunseok Jo, ingénieur logiciel, Lableup Co., Ltd.\u003cbr\u003e \u003cbr\u003eCet ouvrage aborde non seulement les connaissances techniques nécessaires à la mise en œuvre de modèles d'apprentissage automatique et d'apprentissage profond, mais aussi leur utilisation dans le cadre de services. Il fournit également des explications pratiques sur l'application concrète des algorithmes en milieu industriel, ce qui en fait une ressource précieuse pour les chercheurs et les praticiens en IA.\u003cbr\u003e Il se distingue notamment par sa présentation logique des limites d'une technique particulière, qui n'est pas toujours le meilleur choix.\u003cbr\u003e\u003cbr\u003e - Lee Ho-min, ingénieur indépendant en apprentissage automatique\u003cbr\u003e\u003cbr\u003e Ce livre se compose de questions-réponses sur les concepts clés de l'apprentissage automatique, de l'apprentissage profond et de l'IA, et suggère des implications pour l'apprentissage au-delà des concepts de base, en allant au-delà des formules conventionnelles et de l'apprentissage centré sur le code.\u003cbr\u003e Je recommande vivement ce livre à tous ceux qui souhaitent explorer leur parcours d'apprentissage et approfondir les concepts clés après avoir débuté dans le domaine de l'apprentissage automatique.\u003cbr\u003e - Seungmin Lim_cslee, ingénieur logiciel\u003cbr\u003e \u003cbr\u003eIl organise clairement les informations essentielles que vous devez connaître pour bien étudier l'apprentissage automatique.\u003cbr\u003e Je pense qu'il est essentiel de comprendre non seulement comment utiliser l'IA comme un outil, mais aussi comment elle fonctionne et quels avantages elle apporte.\u003cbr\u003e\u003cbr\u003e — Kang Min-jae, Département de génie électrique et électronique, Université Sungkyunkwan\u003cbr\u003e\u003cbr\u003e La plupart des autres livres sur l'informatique se concentrent sur la programmation, mais celui-ci est différent.\u003cbr\u003e Il était organisé de telle sorte que je pouvais facilement lire le contenu que je souhaitais connaître, ce qui m'a beaucoup aidé à comprendre facilement des concepts qui m'étaient inconnus.\u003cbr\u003e\u003cbr\u003e Kim Jin-hyeok, professeur d'information au lycée de Dongyang\u003cbr\u003e\u003cbr\u003e En tant qu'analyste de données et responsable d'activités liées aux centres de données, je lis constamment des ouvrages sur l'apprentissage automatique et la modélisation des données.\u003cbr\u003e Pour ceux qui travaillent dans ce secteur, je pense que c'est un bon ouvrage de référence pour les concepts pertinents et les méthodes pratiques permettant de les appliquer. \u003cbr\u003ePark Kyung-ho, analyste de données, LS Electric \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 9 avril 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 344 pages | 183 × 235 × 12 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 9791140713073 \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":43893479997482,"sku":"154915","price":44.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/a92b1672eea9aeacfe5edcd47b1c0a42.jpg?v=1765403374","url":"https:\/\/librairie.coreenne.fr\/products\/154915","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}