• Aide
  • Eurêkoi Eurêkoi

Livre

Le machine learning avec Python : la bible des data scientists

Résumé

Une synthèse des problèmes liées à la data science et des solutions proposées par le machine learning via le langage Python. ©Electre 2018


  • Autre(s) auteur(s)
  • Contributeur(s)
  • Éditeur(s)
  • Date
    • DL 2018
  • Langues
    • Français
    • , traduit de : Anglais
  • Description matérielle
    • 1 vol. (XII-376 p.) : ill., graph.; ; 23 cm
  • Titre(s) en relation
  • Sujet(s)
  • ISBN
    • 978-2-412-03446-0
  • Indice
  • Quatrième de couverture
    • Le Machine learning avec Python

      Le machine learning (ou apprentissage automatique) est désormais partie intégrante de nombreuses applications commerciales et projets de recherche. Mais ce domaine ne reste pas l'apanage des grandes entreprises dotées d'un département en recherche et développement. Si vous connaissez un minimum le langage de programmation Python, vous apprendrez grâce à ce livre à concevoir vos propres solutions de machine learning. Avec la masse de données qui circulent actuellement, la seule limite que peuvent connaître vos applications de machine learning, c'est votre imagination.

      Cet ouvrage énumère les étapes nécessaires à la création d'une application de machine learning réussie avec Python et la librairie scikit-learn. Ses auteurs se sont efforcés de ne pas trop insister sur les aspects mathématiques de l'apprentissage automatique, mais plutôt sur les utilisations pratiques de ces algorithmes. Si vous êtes déjà quelque peu familiarisé avec les librairies NumPy et matplotlib, vous n'en serez que plus à l'aise.

      Au programme de ce livre :

      • Concepts fondamentaux et applications de machine learning
      • Avantages et inconvénients d'utiliser les algorithmes de machine learning les plus courants
      • Comment représenter les données traitées par le machine learning, et sur lesquelles se concentrer
      • Méthodes avancées d'évaluation de modèle et ajustement des paramètres
      • Le concept de pipeline pour le chaînage des modèles et l'encapsulation du flux de travail
      • Techniques de traitement des données textuelles
      • Suggestions pour améliorer vos compétences en apprentissage automatique et en sciences des données

  • Tables des matières
      • Le Machine learning avec Python

      • La bible des data scientists

      • Andreas C. Müller et Sarah Guido

      • First Interactive

      • Préfaceix
      • Qui devrait lire ce livre ?ix
      • Pourquoi nous avons écrit ce livrex
      • Naviguer dans le livrex
      • Conventions utilisées dans ce livrexi
      • Utiliser les exemples de codexii
      • 1. Introduction1
      • Pourquoi l'apprentissage automatique ?2
      • Les problèmes que l'apprentissage automatique peut résoudre2
      • Comprendre votre but et comprendre vos données5
      • Pourquoi Python ?6
      • scikit-learn6
      • Installer scikit-learn7
      • Librairies et outils essentiels8
      • Jupyter Notebook8
      • NumPy9
      • SciPy9
      • matplotlib10
      • pandas11
      • mglearn12
      • Python 2 versus Python 313
      • Versions utilisées dans ce livre13
      • Une première application : classifier des espèces d'iris15
      • À la rencontre des données16
      • Mesurer la réussite : entraîner et tester les données19
      • Au commencement de tout : vérifier vos données20
      • Construire votre premier modèle : les K plus proches voisins22
      • Faire des prédictions24
      • Évaluer le modèle25
      • Résumé et perspectives26
      • 2. Apprentissage supervisé29
      • Classification et régression29
      • Généralisation, surapprentissage et sous-apprentissage30
      • Relation entre complexité du modèle et taille du jeu de données33
      • Algorithmes pour l'apprentissage automatique supervisé33
      • Exemples de jeux de données34
      • Les k plus proches voisins38
      • Modèles linéaires48
      • Classifieurs bayésiens naïfs71
      • Arbres de décision73
      • Ensembles d'arbres de décision86
      • SVM à noyau95
      • Réseaux de neurones (deep learning)107
      • Estimer l'incertitude pour les classifieurs121
      • La fonction de décision122
      • Prédire les probabilités124
      • Classification multiclasse et incertitude127
      • Résumé et perspectives129
      • 3. Apprentissage non supervisé et prétraitement133
      • Types d'apprentissages non supervisés133
      • Les défis de l'apprentissage non supervisé134
      • Prétraitement et recalibrage135
      • Différents types de prétraitement135
      • Appliquer des transformations aux données136
      • Recalibrer de la même manière le jeu d'apprentissage et le jeu de test139
      • Effet du prétraitement sur l'apprentissage supervisé141
      • Réduction de la dimension, extraction de caractéristiques et apprentissage de variétés142
      • Analyse en composantes principales (PCA)143
      • Factorisation en matrices non négatives (NMF)159
      • Apprentissage de variétés avec t-SNE167
      • Clustering171
      • Partitionnement en k-moyennes171
      • Clustering agglomératif185
      • DBSCAN189
      • Comparer et évaluer les algorithmes de clustering194
      • Résumons les méthodes de clustering209
      • Résumé et perspectives209
      • 4. Représentation des données et ingénierie des caractéristiques213
      • Variables catégorielles214
      • Encodage one-hot (variables indicatrices)215
      • Les nombres peuvent encoder des catégories220
      • Binning, discrétisation, modèles linéaires et arbres222
      • Interactions et polynômes226
      • Transformations non linéaires univariées234
      • Sélection automatique de caractéristiques237
      • Statistiques univariées238
      • Sélection de caractéristiques basée sur le modèle240
      • Sélection itérative de caractéristiques242
      • Savoir utiliser l'expertise243
      • Résumé et perspectives252
      • 5. Évaluation et amélioration du modèle253
      • Validation croisée254
      • Validation croisée dans scikit-learn255
      • Bénéfices de la validation croisée256
      • Validation croisée à k-plis stratifiée et autres stratégies257
      • Recherche sur grille263
      • Exemple simple de recherche sur grille263
      • Le danger du surapprentissage des paramètres et du jeu de validation264
      • Recherche sur grille avec validation croisée266
      • Métriques dévaluation et scoring278
      • Ne jamais oublier le but final278
      • Métriques dévaluation pour la classification binaire279
      • Métriques pour la classification multiclasse300
      • Métriques de régression303
      • Utiliser des métriques d'évaluation dans la sélection de modèles303
      • Résumé et perspectives305
      • 6. Chaînage d'algorithmes et pipelines307
      • Sélection de paramètres avec prétraitement308
      • Construire des pipelines310
      • Utiliser des pipelines dans des recherches sur grille311
      • Interface générale de la classe Pipeline314
      • Créer facilement un pipeline avec make_pipeline315
      • Accéder aux attributs des étapes317
      • Accéder aux attributs d'un pipeline depuis GridSearchCV317
      • Étapes de prétraitement et paramètres du modèle319
      • Effectuer une recherche sur grille pour trouver quel modèle utiliser321
      • Résumé et perspectives322
      • 7. Travailler avec des données textuelles325
      • Types de données représentés sous forme de chaînes de caractères325
      • Exemple d'application : analyse de sentiment dans des commentaires de films327
      • Représenter les données textuelles sous forme de sacs de mots330
      • Appliquer une représentation par sac de mots à un jeu de données jouet331
      • La représentation par sac de mots appliquée aux critiques de films333
      • Mots vides (stop words)337
      • Pondérer les données avec tf-idf338
      • Investiguer les coefficients du modèle341
      • Des sacs avec plusieurs mots (n-grammes)342
      • Tokenisation avancée, racinisation et lemmatisation347
      • Modèles de sujets et partitionnement de document350
      • L'allocation de Dirichlet latente (LDA)350
      • Résumé et perspectives357
      • 8. Pour conclure359
      • Aborder un problème d'apprentissage automatique359
      • Est-ce qu'il y des humains dans la boucle ?360
      • Du prototype à la production361
      • Tester des systèmes de production362
      • Construire votre propre estimateur362
      • Pour aller plus loin363
      • Théorie363
      • Autres packages et ressources pour l'apprentissage automatique364
      • Ranking, systèmes de recommandation, et autres types d'apprentissage365
      • Inférence, programmation et modélisation probabiliste365
      • Réseaux de neurones366
      • Recalibrer les jeux de données367
      • Améliorer vos compétences368
      • Conclusion368
      • Index369

  • Origine de la notice:
    • FR-751131015 ;
    • Electre
  • Disponible - 681.1 MUL

    Niveau 3 - Informatique