Machine learning et deep learning : des bases à la conception avancée d'algorithmes : exemples en Python et en JavaScript

Auteur(s) :

Wampé, Patrick (1962-....) Découvrir l'auteur

Résumé

Après une présentation des bases logiques des algorithmes classiques et des règles de programmation (variables, opérateurs, conditions, boucles, fonctions, entre autres), l'auteur détaille ce qui fait la spécificité, l'intérêt et la puissance des algorithmes dits intelligents, dédiés au machine learning et au deep learning. Avec des exemples d'applications et de problèmes algorithmiques résolus.

Éditeur(s)
- Éditions ENI
Date
- C 2021
Notes
- La couv. porte en plus : "En téléchargement : code source" ; "+ quiz" ; "Version en ligne offerte ! pendant 1 an"
- La 4e de couv. indique : "Sur www.editions-eni.fr : le code source des exemples"
- Contient un "flashcode" permettant d'accéder à un contenu via Internet
Langues
- Français
Description matérielle
- 1 vol. (283 p.) : ill., fig. ; 21 cm
Collections
- Ressources informatiques
Sujet(s)
ISBN
- 978-2-409-02760-4
Indice
- 681.21 Algorithmes de programmation
Quatrième de couverture
- Machine Learning et Deep Learning
  Des bases à la conception avancée d'algorithmes (exemples en Python et en JavaScript)
  Ce livre s'adresse à toute personne qui désire mieux comprendre et utiliser les algorithmes pour améliorer sa pratique de la programmation, et acquérir une compréhension de base des domaines du Machine Learning et du Deep Learning.
  L'auteur commence par parler de logique pour aider le lecteur dans sa compréhension des algorithmes classiques et des règles de programmation. Il sera ainsi armé pour étudier les bases propres à tout langage de programmation : les variables, les opérateurs, les conditions, les boucles, les fonctions...
  Dans la suite du livre, l'auteur détaille ce qui fait la spécificité, l'intérêt et la puissance des algorithmes dits intelligents, dédiés au Machine Learning ou au Deep Learning. Il donne au lecteur des exemples d'applications modernes et montre comment les utiliser concrètement dans des programmes informatiques.
  La plupart des algorithmes de ce livre sont traduits en Python et en JavaScript. Les sources, directement utilisables, sont disponibles en téléchargement sur le site www.editions-eni.fr.
Tables des matières
- - Machine Learning et Deep Learning
  - Des bases à la conception avancée d'algorithmes (exemples en Python et en JavaScript)
  - Editions Eni
  - Avant-propos
  - Chapitre 1
  - L'histoire de l'algorithmique
  - 1. Atteindre des objectifs9
  - 2. Où trouve-t-on les algorithmes ?11
  - 3. Depuis quand les algorithmes existent-ils ?13
  - 4. Les algorithmes et les ordinateurs14
  - 4.1 Des algorithmes inspirés de la nature15
  - 4.2 L'algorithmique, un jeu de logique inspiré du fonctionnement du cerveau18
  - Chapitre 2
  - Les langages de programmation
  - 1. Le binaire et le programmeur23
  - 2. Du binaire aux langages de programmation29
  - 3. Le bon et le mauvais programmeur36
  - 4. Organigramme et pseudo-code37
  - 5. Python et JavaScript40
  - Chapitre 3
  - Un peu de logique
  - 1. Êtes-vous logique ?43
  - 2. Les biais cognitifs44
  - 3. Quelques définitions importantes47
  - 4. Les types de raisonnements49
  - 5. Les quantificateurs51
  - 6. Résoudre les bogues de façon logique52
  - 7. Exercices54
  - Chapitre 4
  - Les variables
  - 1. Introduction57
  - 2. Création et nommage des variables58
  - 3. Les types des variables60
  - 4. Affectation de variables65
  - 5. Les tableaux à une dimension67
  - 6. Les tableaux à plusieurs dimensions68
  - 7. Un premier programme69
  - 8. Programmer avec Python en utilisant Google Colaboratory70
  - 9. Programmer avec JavaScript75
  - Chapitre 5
  - Les opérateurs
  - 1. Introduction81
  - 2. Les opérateurs d'affectation82
  - 3. Les opérateurs arithmétiques82
  - 4. Les opérateurs alphanumériques84
  - 5. Les opérateurs logiques86
  - 6. Les opérateurs de comparaison88
  - Chapitre 6
  - Les conditions
  - 1. Un booléen sinon rien91
  - 2. Écrire des structures conditionnelles93
  - 3. Les conditions imbriquées99
  - 4. Des conditions avec des choix prédéfinis103
  - Chapitre 7
  - Les boucles
  - 1. Introduction107
  - 2. La boucle Pour108
  - 3. La boucle Tant que111
  - 4. La boucle infinie112
  - 5. Les boucles imbriquées114
  - Chapitre 8
  - Les fonctions et la programmation orientée objet
  - 1. Introduction119
  - 2. Un programmeur, ça DRY119
  - 3. Écrire une procédure122
  - 4. Les paramètres124
  - 5. Écrire une fonction125
  - 6. Les fonctions dans les langages de programmation126
  - 7. Utiliser des fonctions déjà existantes130
  - 7.1 Cas du langage Python130
  - 7.2 Cas du langage JavaScript134
  - 7.3 Exemple de fonctions très pratiques136
  - 8. La programmation orientée objet138
  - 8.1 Exemples de méthodes très pratiques141
  - 8.2 Créer une première classe144
  - Chapitre 9
  - La complexité algorithmique
  - 1. Introduction149
  - 2. La complexité spatiale150
  - 3. La complexité temporelle151
  - 4. Notation152
  - 5. Exemple de la recherche d'un élément dans une liste152
  - Chapitre 10
  - La récursivité
  - 1. Introduction155
  - 2. Une factorielle récursive156
  - 3. Fibonacci récursif161
  - Chapitre 11
  - Les algorithmes d'intelligence artificielle
  - 1. Surmonter le paradoxe de Polanyi165
  - 2. Quelques applications de l'intelligence artificielle169
  - 3. Les différents types d'intelligence172
  - 4. Comment fonctionnent les algorithmes d'intelligence artificielle ?173
  - 5. Les données, la nourriture des algorithmes d'intelligence artificielle178
  - 6. Les dangers liés à l'intelligence artificielle180
  - Chapitre 12
  - L'analyse des données
  - 1. Introduction183
  - 2. Récupération des données184
  - 3. Les outils de l'analyse de données187
  - 4. Manipulation d'arrays avec NumPy187
  - 4.1 Importer Numpy188
  - 4.2 Créer un array188
  - 4.3 Accéder aux éléments d'un array190
  - 4.4 Obtenir des informations d'un array190
  - 4.5 Modifier le type d'un array191
  - 4.6 Effectuer des opérations mathématiques sur un array191
  - 4.7 Les autres méthodes utiles192
  - 5. Manipulation de dataframes avec Pandas193
  - 5.1 Importer Pandas194
  - 5.2 Créer un dataframe à partir de plusieurs objets194
  - 5.3 Les séries Pandas197
  - 5.4 Trier un dataframe197
  - 5.5 Nettoyer un dataframe198
  - 5.6 Effectuer des opérations statistiques dans un dataframe200
  - 6. Visualisation des données avec Matplotlib et Seaborn201
  - 7. Encodage et normalisation des données avec Scikit learn208
  - 7.1 Introduction208
  - 7.2 Encodage209
  - 7.3 Normalisation210
  - 7.4 Train et test split211
  - Chapitre 13
  - Le machine learning
  - 1. Définition du machine learning213
  - 2. Le métier de data scientist215
  - 3. Cas de l'analyse des prix du loyer218
  - 4. Découvrir des modèles très utilisés221
  - 4.1 La régression linéaire223
  - 4.2 La régression polynomiale226
  - 4.3 Le clustering K-moyennes227
  - 4.4 L'analyse en composantes principales231
  - 4.5 L'algorithme des K plus proches voisins235
  - 5. Notre choix de modèle237
  - 6. Exemples d'applications241
  - 7. Faire du machine learning avec JavaScript242
  - 7.1 Math.js242
  - 7.2 Plotly.js243
  - 7.3 La régression linéaire simple avec JavaScript245
  - Chapitre 14
  - Le deep learning
  - 1. Introduction247
  - 2. Comment ça, des neurones ?248
  - 3. Comment fonctionnent les neurones artificiels ?249
  - 4. Les applications255
  - 5. Classification supervisée avec du deep learning255
  - 6. D'autres modèles très puissants261
  - 7. La bibliothèque OpenCV263
  - 8. Faire du deep learning avec JavaScript264
  - Chapitre 15
  - L'apprentissage par renforcement
  - 1. Introduction265
  - 2. Les bases de l'apprentissage par renforcement267
  - 3. Les processus de décision markoviens268
  - 4. Exemple d'algorithme par renforcement269
  - 5. Exemples d'applications272
  - Index 277
Origine de la notice:
- BPI