Informatique : découverte du machine learning : les outils de l'apprentissage automatique

Résumé

Une découverte du machine learning qui se focalise notamment sur les réseaux de neurones, les réseaux bayésiens, les méthodes de classification, le pattern mining et les séries temporelles. Les codes informatiques sont proposés en Python, en C et en Java. ©Electre 2021

Contributeur(s)
- Goutet, Olivier. Préfacier, etc.
Éditeur(s)
- Ellipses
Date
- DL 2021
Notes
- La couv. porte en plus : "Les filières technologiques des enseignements supérieures"
Langues
- Français
Description matérielle
- 1 vol. (306 p.) : ill. ; 26 cm
Collections
- Technosup
Sujet(s)
ISBN
- 978-2-340-04733-4
Indice
- 681.21 Algorithmes de programmation
Quatrième de couverture
- L'ouvrage : niveau B (Écoles d'ingénieurs - Masters)
  Cet ouvrage propose une découverte pragmatique du Machine Learning à travers des exemples implémentés. Il constitue une introduction à différentes méthodes permettant aux étudiants de DUT, de licence, des écoles d'ingénieurs et aux chercheurs de découvrir plusieurs aspects du domaine.
  Le domaine du Machine Learning couvre un large spectre d'outils et de méthodes. Cet ouvrage fait un focus particulier sur les réseaux de neurones, les réseaux Bayésiens, les méthodes de classification, le pattern mining et les séries temporelles. La découverte s'effectue en utilisant des bibliothèques dédiées au Machine Learning, notamment TensorFlow, Keras, pyAgrum et Weka. Les exemples du livre sont essentiellement des problèmes qui ont été tirés des domaines d'expertise des auteurs. Les codes informatiques sont proposés en Python, en C et en Java, car les domaines où le Machine Learning est utile sont très nombreux et il est important d'avoir une vue globale de ce qu'il est possible de faire avec les outils récents.
Tables des matières
- - Découverte du Machine Learning
  - Les outils de l'apprentissage automatique
  - Gérard Fleury
  - Matthieu Gondran
  - Philippe Lacomme
  - Chaftk Samir
  - ellipses
  - Chapitre 1 Machine Learning
  - 1.1 Un peu d'histoire13
  - 1.2 Les années 9015
  - 1.3 Le Machine Learning pour tous16
  - 1.4 Les outils présentés dans ce livre17
  - 1.5 Application du Machine Learning à la santé23
  - 1.6 Tester par vous-même un outil basé sur le Machine Learning26
  - 1.7 Conclusion27
  - Chapitre 2 Les réseaux de neurones
  - 2.1 Introduction29
  - 2.2 Principes de la rétro-propagation44
  - 2.3 Implémentation de la rétro-propagation en C51
  - 2.4 Réseau de neurones pour l'approximation du cosinus53
  - 2.5 Exemple simple en Python59
  - 2.6 Principes de la rétro-propagation en Python69
  - 2.7 Réseau de neurones en Python pour un problème de classification81
  - 2.8 Conclusion94
  - 2.9 Références94
  - Chapitre 3 Découverte de TensorFlow et de Keras
  - 3.1 Introduction à Tensorflow97
  - 3.2 Premier réseau avec TensorFlow : un seul neurone et une seule couche101
  - 3.3 Régression avec TensorFlow avec un réseau à une couche cachée106
  - 3.4 Approximation du cosinus avec TensorFlow113
  - 3.5 Approximation du cosinus avec Keras119
  - 3.6 Classification avec TensorFlow et Keras : une couche cachée126
  - 3.7 Conclusion130
  - 3.8 Références130
  - Chapitre 4 Réseaux Bayésiens
  - 4.1 Les outils pour manipuler des réseaux Bayésiens131
  - 4.2 Formalisation des calculs139
  - 4.3 Implémentation d'un réseau Bayésien pour les maladies chroniques153
  - 4.4 L'état d'une pelouse avec des Réseaux Bayésiens164
  - 4.5 Conclusion165
  - 4.6 Références165
  - Chapitre 5 Les méthodes de classification
  - 5.1 Introduction167
  - 5.2 Méthode non supervisée : les centres mobiles169
  - 5.3 Méthode non supervisée : Classification Ascendante Hiérarchique182
  - 5.4 Méthode non supervisée : Analyse en Composantes Principales186
  - 5.5 Méthode supervisée : les arbres de décision199
  - 5.6 Méthode supervisée : Support Vector Machine212
  - 5.7 Conclusion219
  - 5.8 Références220
  - Chapitre 6 Weka et le Data Mining
  - 6.1 Introduction au Data Mining223
  - 6.2 Premier programme Weka avec Java227
  - 6.3 Manipulation des attributs233
  - 6.4 Création de classes pour regrouper des valeurs235
  - 6.5 Traitement des données du diabète : test des classifieurs Weka238
  - 6.6 Règles d'association : algorithme Apriori244
  - 6.7 Règles d'association : algorithme FPGowth247
  - 6.8 Conclusion247
  - 6.9 Références247
  - Chapitre 7 Séries chronologiques
  - 7.1 Définition d'une série chronologique249
  - 7.2 Analyse de la série chronologique des naissances251
  - 7.3 Prévisions293
  - 7.4 Les méthodes de prévision appliquées aux « naissances »296
  - 7.5 Conclusion302
  - 7.6 Références303
  - Index305
Origine de la notice:
- Electre