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...
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | |
| Format: | Livre numérique |
| Langue: | Français |
| Publié: |
Malakoff :
Dunod
2023.
Paris : Cyberlibris |
| Sujets: | |
| Accès en ligne: | Accès INSA CVL Accès Université d'Orléans et IFPM Accès INSA CVL |
| Note: |
Couverture. https://static2.cyberlibris.com/books_upload/136pix/9782100865376.jpg Cyberlibris (ScholarVox) Corpus Sciences de l'ingénieur Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur |
| Autres localisations: | Voir dans le Sudoc |
| Edition sous un autre format: | • Machine learning avec Scikit-Learn, mise en oeuvre et cas concrets, Aurélien Géron, 3e édition, 2023, Malakoff, Dunod, 1 volume (xii-324 pages), 978-2-1008-4768-6 |
Table des matières:
- Chapitre 1 - Vue d'ensemble du Machine Learning
- Chapitre 2 - Un projet de Machine Learning de bout en bout
- Chapitre 3 - Classification
- Chapitre 4 - Entraînement de modèles
- Chapitre 5 - Machines à vecteurs de support
- Chapitre 6 - Arbres de décision
- Avant-propos
- 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
- 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
- 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
- 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
- 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. VII
- P. 1
- P. 39
- P. 103
- P. 131
- P. 173
- P. 193