Machine learning avec Scikit-learn : mise en oeuvre et cas concrets

Auteur(s) :

Géron, Aurélien Découvrir l'auteur

Résumé

Présentation des fondamentaux de l'apprentissage automatique avec la bibliothèque libre Scikit-learn, module du langage de programmation Python. Avec des exercices corrigés et des liens vers des ressources complémentaires en ligne. ©Electre 2023

Contributeur(s)
- Dullea, Kate. Illustrateur
- Bohy, Anne. Traducteur
Éditeur(s)
- Dunod
Date
- 2023
Notes
- La couv. porte en plus : "powered by jupyter" et le nom de l'éditeur de la publication originale "O'Reilly"
Langues
- Français
- , traduit de : Anglais
Description matérielle
- 1 vol. (XII-297 p.) : illustrations en noir et blanc ; 25 x 18 cm
Sujet(s)
ISBN
- 978-2-10-084768-6
Indice
- 681.7(07) Intelligence artificielle, systèmes experts. Manuels
Quatrième de couverture
- 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 3^e édition de cet ouvrage de référence vous explique les concepts fondamentaux du Machine Learning et vous apprend à maîtriser les outils qui vous permettront de créer vous-même des systèmes capables d'apprentissage automatique.
  Vous apprendrez ainsi à utiliser Scikit-Learn, un outil open source très simple et néanmoins très puissant que vous pourrez mettre en place dans vos systèmes en production.
  
  Apprendre les bases du Machine Learning en suivant pas à pas toutes les étapes d'un projet utilisant Scikit-Learn et Pandas.
  
  Ouvrir les boîtes noires pour comprendre comment fonctionnent les algorithmes.
  
  Explorer plusieurs modèles d'entraînement, notamment les machines à vecteur de support (SVM).
  
  Comprendre le modèle des arbres de décision et celui des forêts aléatoires, et exploiter la puissance des méthodes ensemblistes.
  
  Exploiter des techniques d'apprentissage non supervisées telles que la réduction de dimensionnalité, la classification et la détection d'anomalies.
Tables des matières
- - Machine Learning avec Scikit-Learn
  - Mise en oeuvre et cas concrets
  - 3e édition
  - Aurélien Géron
  - Anne Bohy
  - Dunod
  - Avant-propos VII
  - Chapitre 1 - Vue d'ensemble du Machine Learning1
  - 1.1 Qu'est-ce que l'apprentissage automatique ?2
  - 1.2 Pourquoi utiliser l'apprentissage automatique ?3
  - 1.3 Exemples d'applications6
  - 1.4 Types de systèmes d'apprentissage automatique7
  - 1.5 Principales difficultés de l'apprentissage automatique25
  - 1.6 Test et validation32
  - 1.7 Exercices36
  - Chapitre 2 - Un projet de Machine Learning de bout en bout39
  - 2.1 Travailler avec des données réelles39
  - 2.2 Prendre du recul pour une vision d'ensemble41
  - 2.3 Récupérer les données46
  - 2.4 Explorer et visualiser les données pour mieux les comprendre61
  - 2.5 Préparer les données pour les algorithmes d'apprentissage automatique67
  - 2.6 Sélectionner et entraîner un modèle87
  - 2.7 Régler avec précision votre modèle90
  - 2.8 Lancer, surveiller et maintenir votre système96
  - 2.9 Essayez !99
  - 2.10 Exercices100
  - Chapitre 3 - Classification103
  - 3.3 MNIST103
  - 3.4 Entraînement d'un classificateur binaire106
  - 3.5 Mesures de performance107
  - 3.6 Classification multi-classes119
  - 3.7 Analyse des erreurs121
  - 3.8 Classification multi-étiquettes125
  - 3.9 Classification multi-sorties127
  - 3.10 Exercices129
  - Chapitre 4 - Entraînement de modèles131
  - 4.1 Régression linéaire132
  - 4.2 Descente de gradient138
  - 4.3 Régression polynomiale149
  - 4.4 Courbes d'apprentissage150
  - 4.5 Modèles linéaires régularisés154
  - 4.6 Régression logistique162
  - 4.7 Exercices171
  - Chapitre 5 - Machines à vecteurs de support173
  - 5.1 Classification SVM linéaire173
  - 5.2 Classification SVM non linéaire176
  - 5.3 Régression SVM182
  - 5.4 Sous le capot des classificateurs SVM linéaires184
  - 5.5 Exercices191
  - Chapitre 6 - Arbres de décision193
  - 6.1 Entraîner et visualiser un arbre de décision193
  - 6.2 Effectuer des prédictions195
  - 6.3 Estimation des probabilités des classes197
  - 6.4 Algorithme d'entraînement CART197
  - 6.5 Complexité algorithmique198
  - 6.6 Impureté de Gini ou entropie ?199
  - 6.7 Hyperparamètres de régularisation200
  - 6.8 Régression201
  - 6.9 Sensibilité à l'orientation des axes204
  - 6.10 Arbres de décision ayant une variance élevée205
  - 6.11 Exercices206
  - Chapitre 7 - Apprentissage d'ensemble et forêts aléatoires209
  - 7.1 Classificateurs par vote210
  - 7.2 Bagging et pasting213
  - 7.3 Parcelles aléatoires et sous-espaces aléatoires217
  - 7.4 Forêts aléatoires217
  - 7.5 Boosting220
  - 7.6 Stacking229
  - 7.7 Exercices231
  - Chapitre 8 - Réduction de dimension233
  - 8.1 Le fléau de la dimension234
  - 8.2 Principales approches de la réduction de dimension235
  - 8.3 PCA239
  - 8.4 Projection aléatoire248
  - 8.5 LLE250
  - 8.6 Autres techniques de réduction de dimension252
  - 8.7 Exercices254
  - Chapitre 9 - Techniques d'apprentissage non supervisé255
  - 9.1 Partitionnement256
  - 9.2 Mélanges gaussiens279
  - 9.3 Exercices290
  - Le mot de la fin 293
  - Annexe A - Solutions des exercices 295
  - Annexe B - Liste de contrôle de projet de Machine Learning 309
  - Annexe C - SVM : le problème dual 315
  - Index 319
Origine de la notice:
- Electre