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 compléments en ligne. ©Electre 2019

Contributeur(s)
- Bohy, Anne. Traducteur
Éditeur(s)
- Dunod
Date
- DL 2019
Notes
- La 4e de couv. porte en plus : "Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l'adresse suivante : https://github.com/ageron/handson-ml2"
- La couv. mentionne aussi l'éditeur de la version originale (O'Reilly)
Langues
- Français
- , traduit de : Anglais
Description matérielle
- 1 vol. (XV-297 p.) : ill. ; 25 cm
Sujet(s)
ISBN
- 978-2-10-079065-4
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 ?
  L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Machine Learning et de vous apprendre 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 oeuvre 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
  - 2e édition
  - Aurélien Géron
  - Anne Bohy
  - Dunod
  - Avant-propos IX
  - 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 automatique23
  - 1.6 Test et validation30
  - 1.7 Exercices33
  - Chapitre 2 - Un projet de Machine Learning de bout en bout35
  - 2.1 Travailler avec des données réelles35
  - 2.2 Prendre du recul pour une vision d'ensemble37
  - 2.3 Récupérer les données42
  - 2.4 Découvrir et visualiser les données pour mieux les comprendre54
  - 2.5 Préparer les données pour les algorithmes d'apprentissage automatique60
  - 2.6 Sélectionner et entraîner un modèle69
  - 2.7 Régler avec précision votre modèle73
  - 2.8 Lancer, surveiller et maintenir votre système78
  - 2.9 Essayez !81
  - 2.10 Exercices82
  - Chapitre 3 - Classification83
  - 3.1 MNIST83
  - 3.2 Entraînement d'un classificateur binaire86
  - 3.3 Mesures de performances86
  - 3.4 Classification multi-classes97
  - 3.5 Analyse des erreurs99
  - 3.6 Classification multi-étiquettes103
  - 3.7 Classification multi-sorties104
  - 3.8 Exercices105
  - Chapitre 4 - Entraînement de modèles107
  - 4.1 Régression linéaire108
  - 4.2 Descente de gradient113
  - 4.3 Régression polynomiale123
  - 4.4 Courbes d'apprentissage125
  - 4.5 Modèles linéaires régularisés128
  - 4.6 Régression logistique136
  - 4.7 Exercices144
  - Chapitre 5 - Machines à vecteurs de support145
  - 5.1 Classification SVM linéaire145
  - 5.2 Classification SVM non linéaire149
  - 5.3 Régression SVM154
  - 5.4 Sous le capot156
  - 5.5 Exercices165
  - Chapitre 6 - Arbres de décision167
  - 6.1 Entraîner et visualiser un arbre de décision167
  - 6.2 Effectuer des prédictions169
  - 6.3 Estimation des probabilités des classes171
  - 6.4 Algorithme d'entraînement CART171
  - 6.5 Complexité algorithmique172
  - 6.6 Impureté Gini ou entropie ?172
  - 6.7 Hyperparamètres de régularisation173
  - 6.8 Régression175
  - 6.9 Instabilité177
  - 6.10 Exercices178
  - Chapitre 7 - Apprentissage d'ensemble et forêts aléatoires181
  - 7.1 Classificateurs par vote182
  - 7.2 Bagging et pasting184
  - 7.3 Parcelles aléatoires et sous-espaces aléatoires188
  - 7.4 Forêts aléatoires188
  - 7.5 Boosting191
  - 7.6 Stacking199
  - 7.7 Exercices202
  - Chapitre 8 - Réduction de dimension203
  - 8.1 Le fléau de la dimension204
  - 8.2 Principales approches de la réduction de dimension205
  - 8.3 PCA209
  - 8.4 PCA à noyau216
  - 8.5 LLE219
  - 8.6 Autres techniques de réduction de dimension221
  - 8.7 Exercices222
  - Chapitre 9 - Techniques d'apprentissage non supervisé225
  - 9.1 Partitionnement226
  - 9.2 Mélanges gaussiens249
  - 9.3 Exercices264
  - Le mot de la fin 267
  - Annexe A - Solutions des exercices 269
  - Annexe B - Liste de contrôle de projet de Machine Learning 283
  - Annexe C - SVM : le problème dual 289
  - Index 293
Origine de la notice:
- Electre