Machine learning avec R : pour une modélisation mathématique rigoureuse
4e de couv. : "L'apprentissage automatique (ou machine learning) est un sujet intimidant jusqu'à ce que vous en connaissiez les fondements. Si vous comprenez les principes essentiels du codage, ce guide d'introduction vous aidera à acquérir une base solide dans le domaine de l�...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Weitere Verfasser: | |
| Format: | Livre papier |
| Sprache: | Français |
| Veröffentlicht: |
Paris :
First interactive
DL 2018.
|
| Schlagworte: | |
| Anmerkung: |
Le nom de l'éditeur (O'Reilly) de la version anglaise du livre figure sur la page de titre et sur la couverture |
| Autres localisations: | Voir dans le Sudoc |
Inhaltsangabe:
- P. ix
- Introduction
- P. ix
- Qui devrait lire ce livre ?
- P. ix
- Portée du livre
- P. ix
- Conventions utilisées dans ce livre
- P. 1
- 1. Qu'est-ce qu'un modèle ?
- P. 6
- Algorithmes contre modèles : Quelle est la différence ?
- P. 8
- Une note sur la terminologie
- P. 9
- Limites de la modélisation
- P. 11
- Statistiques et calcul dans la modélisation
- P. 12
- Données d'entraînement
- P. 13
- Validation croisée
- P. 14
- Pourquoi utiliser R ?
- P. 15
- Lebon...
- P. 17
- R et l'apprentissage automatique
- P. 18
- ...et le moins bon
- P. 19
- En résumé
- P. 21
- 2. Apprentissage automatique supervisé et non supervisé
- P. 22
- Modèles supervisés
- P. 22
- Régression
- P. 24
- Entraîner et tester des données
- P. 27
- Classification
- P. 27
- Régression logistique
- P. 29
- Méthodes de clustering supervisé
- P. 34
- Méthodes mixtes
- P. 34
- Modèles arborescents
- P. 37
- Forêts aléatoires
- P. 39
- Réseaux de neurones
- P. 42
- Séparateur à vaste marge (SVM)
- P. 44
- Apprentissage non supervisé
- P. 44
- Méthodes non supervisées de clustering
- P. 46
- En résumé
- P. 49
- 3. Statistiques, échantillonnage et entraînement des modèles dans R
- P. 50
- Biais
- P. 55
- Échantillonner dans R
- P. 58
- Entraînement et test
- P. 59
- Rôles des jeux d'entraînement et de test
- P. 59
- Pourquoi créer un jeu de test ?
- P. 60
- Jeux d'entraînement et de test : modéliser la régression
- P. 67
- Jeux d'entraînement et de test : modéliser la classification
- P. 70
- Validation croisée
- P. 71
- Validation croisée à k-plis
- P. 73
- En résumé
- P. 75
- 4. La régression en bref
- P. 76
- Régression linéaire
- P. 79
- Régression multivariée
- P. 82
- Régularisation
- P. 85
- Régression polynomiale
- P. 92
- Qualité de l'ajustement aux données : les risques d'un ajustement excessif
- P. 92
- Erreur quadratique moyenne
- P. 93
- Simplicité du modèle et qualité de l'ajustement
- P. 96
- Régression logistique
- P. 96
- La motivation pour la classification
- P. 98
- La frontière de décision
- P. 99
- La fonction sigmoïde
- P. 102
- Classification binaire
- P. 105
- Classification multiclasse
- P. 108
- Régression logistique avec caret
- P. 109
- En résumé
- P. 109
- Régression linéaire
- P. 110
- Régression logistique
- P. 113
- 5. Les réseaux de neurones en bref
- P. 113
- Réseaux de neurones monocouches
- P. 115
- Construire un réseau de neurones simple en utilisant R
- P. 117
- Sorties de calcul multiples
- P. 119
- Noeuds de calcul cachés
- P. 124
- Réseaux de neurones multicouches
- P. 131
- Réseaux de neurones pour la régression
- P. 136
- Réseaux de neurones pour la classification
- P. 136
- Réseaux de neurones avec caret
- P. 137
- Régression
- P. 138
- Classification
- P. 138
- En résumé
- P. 141
- 6. Méthodes arborescentes
- P. 141
- Un modèle d'arbre simple
- P. 144
- Décider comment partager les arbres
- P. 145
- Entropie de l'arbre et gain d'information
- P. 147
- Avantages et inconvénients des arbres de décision
- P. 148
- Surapprentissage des arbres
- P. 151
- Élaguer les arbres
- P. 157
- Arbres de décision pour la régression
- P. 158
- Arbres de décision pour la classification
- P. 158
- Arbres d'inférence conditionnelle
- P. 161
- Régression avec les arbres d'inférence conditionnelle
- P. 161
- Classification avec les arbres d'inférence conditionnelle
- P. 162
- Forêts aléatoires
- P. 163
- Forêts aléatoires et régression
- P. 164
- Forêts aléatoires et classification
- P. 164
- En résumé
- P. 167
- 7. Autres méthodes avancées
- P. 167
- Classification naïve bayésienne
- P. 168
- Les statistiques bayésiennes en bref
- P. 169
- Application de la formule naïve bayésienne
- P. 171
- Analyse en composantes principales
- P. 177
- Analyse discriminante linéaire
- P. 182
- Séparateurs à vaste marge
- P. 188
- K plus proches voisins
- P. 190
- K plus proches voisins et régression
- P. 191
- K plus proches voisins et classification
- P. 193
- En résumé
- P. 195
- 8. Apprentissage automatique avec le package caret
- P. 196
- Le jeu de données Titanic
- P. 198
- Manipuler les données
- P. 199
- Libérons caret !
- P. 199
- Imputation
- P. 202
- Fractionnement des données
- P. 202
- Soulevons le voile de caret...
- P. 205
- Entraînement du modèle
- P. 209
- Comparer de multiples modèles caret
- P. 211
- En résumé
- P. 213
- A. Modèles d'apprentissage automatique dans caret
- P. 221
- Index