Machine learning avec Scikit-Learn : mise en oeuvre et cas concrets
L'apprentissage automatique (Machine Learning) est aujourd'hui en pleine explosion. Mais de quoi s'agit-il exactement, et comment pouvez-vous le mettre en oeuvre dans vos propres projets ? La 3e édition de cet ouvrage de référence vous explique les concepts fondamentaux du Machine Lea...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | |
| Médium: | Livre papier |
| Jazyk: | Français |
| Vydáno: |
Malakoff :
Dunod
DL 2023.
|
| Vydání: | 3e édition. |
| Témata: | |
| Poznámka: |
La couverture porte en plus : "powered by jupyter" et le nom de l'éditeur de la publication originale "O'Reilly" |
| Autres localisations: | Voir dans le Sudoc |
Obsah:
- P. VII
- Avant-propos
- P. 1
- Chapitre 1 - Vue d'ensemble du Machine Learning
- 1.1 Qu'est-ce que l'apprentissage automatique ?
- 1.2 Pourquoi utiliser l'apprentissage automatique ?
- 1.3 Exemples d'application
- 1.4 Types de systèmes d'apprentissage automatique
- 1.5 Principales difficultés de l'apprentissage automatique
- 1.6 Test et validation
- 1.7 Exercices
- P. 39
- Chapitre 2 - Un projet de Machine Learning de bout en bout
- 2.1 Travailler avec des données réelles
- 2.2 Prendre du recul pour une vision d'ensemble
- 2.3 Récupérer les données
- 2.4 Explorer et visualiser les données pour mieux les comprendre
- 2.5 Préparer les données pour les algorithmes d'apprentissage automatique
- 2.6 Sélectionner et entraîner un modèle
- 2.7 Régler avec précision votre modèle
- 2.8 Lancer, surveiller et maintenir votre système
- 2.9 Essayez !
- 2.10 Exercices
- P. 103
- Chapitre 3 - Classification
- 3.1 MNIST
- 3.2 Entraînement d'un classificateur binaire
- 3.3 Mesures de performances
- 3.4 Classification multi-classes
- 3.5 Analyse des erreurs
- 3.6 Classification multi-étiquettes
- 3.7 Classification multi-sorties
- 3.8 Exercices
- P. 131
- Chapitre 4 - Entraînement de modèles
- 4.1 Régression linéaire
- 4.2 Descente de gradient
- 4.3 Régression polynomiale
- 4.4 Courbes d'apprentissage
- 4.5 Modèles linéaires régularisés
- 4.6 Régression logistique
- 4.7 Exercices
- P. 173
- Chapitre 5 - Machines à vecteurs de support
- 5.1 Classification SVM linéaire
- 5.2 Classification SVM non linéaire
- 5.3 Régression SVM
- 5.4 Sous le capot des classificateurs SVM linéaires
- 5.5 Exercices
- P. 193
- Chapitre 6 - Arbres de décision
- 6.1 Entraîner et visualiser un arbre de décision
- 6.2 Effectuer des prédictions
- 6.3 Estimation des probabilités des classes
- 6.4 Algorithme d'entraînement CART
- 6.5 Complexité algorithmique
- 6.6 Impureté Gini ou entropie ?
- 6.7 Hyperparamètres de régularisation
- 6.8 Régression
- 6.9 Sensibilité à l'orientation des axes
- 6.10 Arbres de décision ayant une variance élevée
- 6.11 Exercices
- P. 209
- Chapitre 7 - Apprentissage d'ensemble et forêts aléatoires
- 7.1 Classificateurs par vote
- 7.2 Bagging et pasting
- 7.3 Parcelles aléatoires et sous-espaces aléatoires
- 7.4 Forêts aléatoires
- 7.5 Boosting
- 7.6 Stacking
- 7.7 Exercices
- P. 233
- Chapitre 8 - Réduction de dimension
- 8.1 Le fléau de la dimension
- 8.2 Principales approches de la réduction de dimension
- 8.3 PCA
- 8.4 Projection aléatoire
- 8.5 LLE
- 8.6 Autres techniques de réduction de dimension
- 8.7 Exercices
- P. 255
- Chapitre 9 - Techniques d'apprentissage non supervisé
- 9.1 Partitionnement
- 9.2 Mélanges gaussiens
- 9.3 Exercices
- P. 293
- Le mot de la fin
- P. 295
- Annexe A - Solutions des exercices
- P. 309
- Annexe B - Liste de contrôle de projet de Machine Learning
- P. 315
- Annexe C - SVM : le problème dual
- P. 319
- Index