par Mueller, John (1958-....)
First interactive
-
-
Disponible - 681.21(076) MUE
Niveau 3 - Informatique
Résumé
Une initiation au machine learning et à son langage de référence Python, un outil permettant le développement d'applications liées à l'intelligence artificielle.
- Autre(s) auteur(s)
- Contributeur(s)
- Éditeur(s)
-
Date
- DL 2022
-
Notes
- Traduit de l'américain
- La couv. porte en plus : "Le big data", "Coder en R avec RStudio", "Python et Anaconda", "Les modèles linéaires et les réseaux de neurones" et "Les machines à vecteurs de support"
- Traduit de l'américain
-
Langues
- Français
-
Description matérielle
- 1 vol. (xix-716 p.) : ill. ; 22 cm
- Collections
- Sujet(s)
-
ISBN
- 978-2-412-07739-9
-
Indice
- 681.21(076) Algorithmes de programmation. Guides pratiques, ouvrages de vulgarisation
-
Quatrième de couverture
-
Le machine learning avec Python pour les nuls
L'apprentissage automatique en mode facile !
L'apprentissage automatique est une nouvelle façon passionnante d'apprendre à votre ordinateur à effectuer toutes sortes de tâches importantes. Ce livre est le point d'entrée indispensable pour se mettre à niveau. Divisé en 2 livres distincts, il explique comment démarrer, fournit des détails sur le fonctionnement des algorithmes sous-jacents, décrit l'utilisation de langages tels que Python et R afin de rendre possible l'apprentissage automatique. Dans le livre II, vous apprendrez tout ce qu'il faut savoir pour bien démarrer la programmation avec Python, le langage de prédilection des applications de type machine learning.
Découvrez
- La véritable histoire de l'intelligence artificielle
- Le codage en R et Python
- Le rôle des statistiques
- La gestion big data
- Les mathématiques derrière l'apprentissage automatique
- Interagir avec Python
- Créer et utiliser des fonctions
- Gérer les erreurs
- Effectuer des tâches avancées
-
-
Tables des matières
-
Le machine learning avec Python pour les nuls
John Paul Mueller
Luca Massaron
First Interactive
- Introduction XVII
- A propos de ce livre XVII
- Quelques suppositions un peu folles XVIII
- Et maintenant XIX
- Livre 1 Le machine learning
- Partie 1 Découvrir comment les machines apprennent
- Chapitre 1 La véritable histoire de l'intelligence artificielle (IA) 5
- Aller au-delà du battage publicitaire6
- Le rêve de moutons électriques7
- Comprendre l'histoire de l'IA et de l'apprentissage automatique8
- Explorer ce que l'apprentissage automatique peut faire pour l'IA9
- Considérer les objectifs de l'apprentissage automatique10
- Définir les limites de l'apprentissage automatique en fonction du matériel10
- Surmonter les fantasmes de l'IA12
- Découvrir les utilisations à la mode de l'IA et de l'apprentissage automatique13
- Considérer les vraies utilisations de l'IA et de l'apprentissage automatique14
- Être utile, être banal16
- À propos des relations entre IA et apprentissage automatique17
- Considérer les spécifications de l'IA et de l'apprentissage automatique18
- Définir la frontière entre art et ingénierie19
- Chapitre 2 L'apprentissage à l'ère du big data 21
- Définir le big data22
- Considérer les sources de big data24
- Créer une nouvelle source de données24
- Utiliser des sources de données existantes27
- Localiser des sources de données de test28
- À propos du rôle des statistiques dans l'apprentissage automatique28
- Comprendre le rôle des algorithmes30
- Définir ce que font les algorithmes30
- Considérer les cinq techniques principales30
- Définir ce que signifie l'entraînement33
- Chapitre 3 Jeter un regard vers l'avenir 35
- Créer des technologies utiles pour le futur36
- Considérer le rôle de l'apprentissage automatique dans le domaine des robots37
- Utiliser l'apprentissage automatique dans le domaine de la santé38
- Créer des systèmes intelligents pour différents besoins38
- Utiliser l'apprentissage automatique en milieu industriel39
- Comprendre le rôle des processeurs et d'autres matériels40
- Découvrir les nouvelles possibilités d'emploi grâce à l'apprentissage automatique41
- Travailler pour une machine41
- Travailler avec des machines42
- Réparer des machines43
- Créer de nouvelles tâches d'apprentissage automatique44
- Concevoir de nouveaux environnements d'apprentissage automatique44
- Eviter les pièges potentiels des technologies du futur45
- Partie 2 Préparer vos outils pour l'apprentissage automatique
- Chapitre 4 Installer une distribution R 51
- Choisir une distribution R avec l'apprentissage automatique en tête52
- Installer R sous Windows53
- Installer R sous Linux62
- Installer R sous Mac OS X/macOS64
- Télécharger les jeux de données et le code des exemples66
- Comprendre les jeux de données utilisés dans ce livre67
- Définir le dépôt du code68
- Chapitre 5 Coder en R à l'aide de RStudio 71
- Comprendre les types de données de base72
- Travailler avec les vecteurs74
- Organiser des données à l'aide de listes75
- Travailler avec des matrices76
- Créer une matrice de base76
- Modifier la disposition des vecteurs78
- Accéder aux éléments individuels78
- Nommer les lignes et les colonnes79
- Des dimensions multiples à l'aide des tableaux80
- Créer un tableau de base80
- Nommer les lignes et les colonnes81
- Créer un data frame83
- Comprendre les facteurs83
- Créer un data frame de base85
- Interagir avec les data frames87
- Développer un data frame88
- Exécution de tâches statistiques de base90
- Prendre des décisions90
- Travailler avec des boucles92
- Exécuter des tâches en boucle sans boucles94
- Travailler avec les fonctions94
- Trouver la moyenne et la médiane95
- Tracer un graphique à partir de vos données97
- Chapitre 6 Installer une distribution Python 99
- Choisir une distribution Python avec l'apprentissage automatique en tête101
- Obtenir Continuum Analytics Anaconda101
- Obtenir Canopy Express103
- Obtenir pythonxy103
- Obtenir WmPython104
- Installer Python sous Linux104
- Installer Python sous Mac OS X/macOS105
- Installer Python sous Windows107
- Télécharger les jeux de données et le code des exemples111
- Utiliser Jupyter Notebook112
- Définir le dépôt du code114
- Comprendre les jeux de données utilisés dans ce livre120
- Chapitre 7 Coder en Python avec Anaconda 123
- Travailler avec les nombres et la logique124
- Effectuer des affectations dans des variables126
- Faire des calculs arithmétiques127
- Comparer des données à l'aide d'expressions booléennes128
- Créer et utiliser des chaînes de caractères132
- Interagir avec les dates133
- Créer et utiliser des fonctions134
- Créer des fonctions réutilisables135
- Appeler des fonctions136
- Travailler avec des variables globales et locales139
- Utiliser des instructionsconditionnelles et des boucles140
- Prendre des décisions à l'aide de l'instruction if140
- Choisir entre plusieurs options à l'aide de décisions imbriquées141
- Exécuter des tâches répétitives en utilisant for142
- Utiliser l'instruction while143
- Stocker des données à l'aide d'ensembles, de listes et de tuples144
- Créer des ensembles144
- Effectuer des opérations sur les ensembles145
- Créer des listes146
- Créer et utiliser des tuples148
- Définir des itérateurs utiles149
- Indexer des données à l'aide de dictionnaires151
- Stocker du code dans des modules151
- Chapitre 8 Explorer d'autres outils d'apprentissage automatique 155
- À la rencontre des précurseurs : SAS, Stata et SPSS156
- Apprendre avec Weka159
- Accéder facilement à des algorithmes complexes à l'aide de LIBSVM160
- Courir aussi vite que la lumière avec Vowpal Wabbit161
- Visualiser avec Knime et RapidMiner162
- Traiter des données massives à l'aide de Spark163
- Partie 3 Débuter avec les bases mathématiques de l'apprentissage automatique
- Chapitre 9 Démystifier les mathématiques derrière l'apprentissage automatique 167
- Travailler avec des données168
- Créer une matrice170
- Comprendre les opérations de base173
- Effectuer une multiplication matricielle173
- Un mot sur les opérations matricielles avancées176
- Utiliser efficacement la vectorisation177
- Explorer le monde des probabilités180
- Travailler avec les probabilités181
- Améliorer le hasard avec le théorème de Bayes182
- Décrire l'utilisation des statistiques186
- Chapitre 10 Descendre la bonne courbe 189
- Interpréter l'apprentissage en termes d'optimisation190
- Apprentissage supervisé190
- Apprentissage non supervisé191
- Apprentissage par renforcement191
- Le processus d'apprentissage192
- Explorer les fonctions de coûts196
- Descendre la courbe d'erreur198
- Mise à jour par mini-lot et en ligne200
- Chapitre 11 Valider l'apprentissage automatique 207
- Vérifier les erreurs d'échantillonnage208
- Rechercher la généralisation209
- Apprendre à connaître les limites des biais211
- Garder à l'esprit la complexité du modèle214
- Conserver des solutions équilibrées215
- Représenter des courbes d'apprentissage217
- Entraînement, validation et test219
- Recourir à la validation croisée220
- À la recherche de solutions de rechange pour la validation222
- Optimiser les choix de la validation croisée224
- Explorer l'espace des hyperparamètres225
- Éviter les biais d'échantillonnage et les pièges de fuite des données227
- Attention au snooping !228
- Chapitre 12 Débuter avec des apprenants simples 231
- Découvrir l'incroyable Perceptron232
- À deux pas du miracle ?232
- Toucher aux limites de la non-séparabilité235
- Cultiver des arbres de classification gloutons237
- Prévoir les résultats en partageant les données237
- Apprendre à élaguer les arbres242
- Prendre un virage probabiliste243
- Comprendre le bayésien naïf244
- Estimer la réponse avec l'algorithme bayésien naïf247
- Partie 4 Apprendre du big data (avec intelligence)
- Chapitre 13 Prétraiter les données 255
- Collecter et nettoyer les données256
- Réparer les données manquantes257
- Identifier les données manquantes258
- Choisir la bonne stratégie de remplacement259
- Transformer les distributions263
- Créer vos propres caractéristiques265
- Comprendre la nécessité de créer des caractéristiques265
- Créer automatiquement des caractéristiques266
- Compresser les données268
- Délimiter les données anomales271
- Chapitre 14 Tirer parti de la similarité 277
- Mesurer la similarité entre vecteurs278
- Comprendre la similarité278
- Calcul des distances pour l'apprentissage279
- Utiliser des distances pour localiser les clusters281
- Vérifier les hypothèses et les attentes282
- Inspecter les engrenages de l'algorithme284
- Ajuster l'algorithme des K-moyennes286
- Expérimenter la fiabilité des K-moyennes287
- Expérimenter la convergence des centroïdes290
- Rechercher une classification avec les K-plus proches voisins293
- Exploiter le paramètre K correct294
- Comprendre le paramètre k294
- Expérimenter avec un algorithme flexible296
- Chapitre 15 Travailler avec des modèles linéaires, la méthode facile 301
- Commencer à combiner des variables302
- Mélanger des variables de différents types309
- Passer aux probabilités313
- Spécifier une réponse binaire313
- Gérer plusieurs classes316
- Deviner les bonnes caractéristiques317
- Le cas des caractéristiques qui ne fonctionnent pas ensemble317
- Résoudre le problème du surapprentissage en utilisant la sélection318
- Apprendre à raison d'un échantillonnage à la fois320
- Utiliser la descente de gradient321
- Comprendre en quoi SGD est différent322
- Chapitre 16 Un monde de complexité avec les réseaux de neurones 327
- Apprendre de la nature et l'imiter328
- Aller de l'avant avec le feed-forward329
- Aller encore plus loin dans le terrier du lapin332
- Revenir en arrière avec la rétropropagation336
- Lutter contre le surapprentissage339
- Comprendre le problème340
- Ouvrir la boîte noire341
- Introduction au deep learning344
- Chapitre 17 Aller plus loin avec les machines à vecteurs de support 347
- Revisiter le problème de la séparation : une nouvelle approche348
- Explication de l'algorithme349
- Les SVM et les mathématiques qui les sous-tendent352
- Éviter les pièges de l'inséparabilité353
- Appliquer la non-linéarité355
- Démonstration de l'astuce du noyau par l'exemple357
- Découvrir les différents noyaux358
- Illustrer les hyperparamètres360
- Classifier et estimer avec SVM362
- Chapitre 18 Recourir à des ensembles d'apprenants 367
- S'appuyer sur les arbres de décision368
- Cultiver une forêt d'arbres370
- Comprendre les métriques d'importance375
- Travailler avec des suppositions presque aléatoires378
- Prédicteurs de bagging avec Adaboost379
- Booster les prédicteurs382
- Nouvelle rencontre avec la descente de gradient383
- Faire la moyenne de différents prédicteurs384
- Livre 2 Python
- Partie 1 Débuter avec Python
- Chapitre 13 Parler à votre ordinateur 391
- Comprendre pourquoi vous voulez parler à votre ordinateur391
- Oui, une application est une forme de communication393
- Des procédures pour tous les jours394
- Écrire des procédures395
- Les applications sont des procédures comme les autres395
- Comprendre que les ordinateurs font les choses à la lettre396
- Définir ce qu'est une application396
- Comprendre que les ordinateurs utilisent un langage spécial396
- Aider les humains à parler à l'ordinateur397
- Comprendre pourquoi Python est si cool399
- Quelques bonnes raisons de choisir Python400
- Quelles organisations utilisent Python ?402
- Trouver des applications Python utiles403
- Comparer Python avec d'autres langages404
- Chapitre 2 Obtenir votre propre copie de Python 407
- Télécharger la version dont vous avez besoin407
- Installer Python410
- Travailler avec Windows410
- Travailler avec le Mac413
- Travailler avec Linux415
- Accéder à Python sur votre machine419
- Utiliser Windows419
- Utiliser le Mac422
- Utiliser Linux424
- Tester votre installation424
- Chapitre 3 Interagir avec Python 427
- Ouvrir la ligne de commandes427
- Lancer Python428
- Maîtriser la ligne de commandes429
- Tirer profit des variables d'environnement Python432
- Taper une commande434
- Dire à l'ordinateur ce qu'il doit faire434
- Dire à l'ordinateur que vous avez terminé435
- Voir les résultats435
- Obtenir de l'aide de Python436
- Utiliser l'aide directe437
- Demander de l'aide438
- Quitter l'aide441
- Obtenir de l'aide directement441
- Refermer la ligne de commandes444
- Chapitre 4 Écrire votre première application 447
- Comprendre l'environnement de développement intégré (IDLE)448
- Lancer IDLE449
- Utiliser des commandes standard450
- Comprendre le codage des couleurs450
- Obtenir de l'aide d'IDLE451
- Configurer IDLE452
- Créer l'application457
- Ouvrir une nouvelle fenêtre457
- Taper les commandes458
- Sauvegarder le fichier460
- Exécuter l'application460
- Comprendre l'utilisation des indentations462
- Ajouter des commentaires464
- Comprendre les commentaires465
- Utiliser des commentaires comme aide-mémoire466
- Utiliser des commentaires pour empêcher du code de s'exécuter466
- Charger et exécuter des applications existantes469
- Utiliser l'Invite de commandes ou une fenêtre de terminal469
- Utiliser la fenêtre d'édition470
- Utiliser Python en mode Shell ou Ligne de commandes470
- Refermer IDLE471
- Partie 2 Apprendre la langue de Python
- Chapitre 5 Enregistrer et modifier des informations 475
- Enregistrer des informations475
- Considérer les variables comme des boîtes de rangement476
- Utiliser la bonne boîte pour enregistrer les bonnes données476
- Python et ses principaux types de données477
- Placer des informations dans des variables477
- Comprendre les types numériques478
- Comprendre les valeurs booléennes483
- Comprendre les chaînes de caractères484
- Travailler avec des dates et des heures485
- Chapitre 6 Gérer l'information 489
- Contrôler la manière dont Python voit les données490
- Faire des comparaisons490
- Comprendre comment les ordinateurs effectuent des comparaisons491
- Travailler avec les opérateurs491
- Définir les opérateurs493
- Comprendre l'ordre de priorité des opérateurs499
- Créer et utiliser des fonctions500
- Voir les fonctions comme des boîtes de rangement pour le code500
- Comprendre la réutilisabilité du code501
- Définir une fonction502
- Accéder aux fonctions504
- Transmettre des informations aux fonctions504
- Créer des fonctions avec un nombre variable d'arguments508
- Renvoyer des informations depuis une fonction510
- Comparer les sorties de fonctions511
- Interagir avec l'utilisateur512
- Chapitre 7 Prendre des décisions 515
- Prendre des décisions simples avec l'instruction if516
- Comprendre l'instruction if516
- Utiliser l'instruction if dans une application517
- Choisir entre plusieurs alternatives avec l'instruction if...else523
- Comprendre l'instruction if...else523
- Utiliser l'instruction if...else dans une application523
- Utiliser l'instruction if...elif dans une application524
- Utiliser des décisions imbriquées528
- Utiliser des instructions if ou if...else multiples528
- Combiner d'autres types de décisions530
- Chapitre 8 Effectuer des tâches répétitives 533
- Traiter des données en utilisant l'instruction for534
- Comprendre l'instruction for534
- Créer une boucle for simple535
- Contrôler l'exécution avec l'instruction break535
- Contrôler l'exécution avec l'instruction continue539
- Contrôler l'exécution avec la clause pass540
- Contrôler l'exécution avec la clause else541
- Traiter des données avec l'instruction while544
- Comprendre l'instruction while544
- Utiliser l'instruction while dans une application546
- Imbriquer des boucles547
- Chapitre 9 Les erreurs ? Quelles erreurs ? 551
- Savoir pourquoi Python ne vous comprend pas552
- Prendre en considération les sources d'erreurs554
- Erreurs surgissant à un moment spécifique554
- Distinguer les types d'erreurs556
- Intercepter les exceptions558
- Gérer les exceptions de base558
- Gérer des exceptions en allant du plus spécifique au moins spécifique571
- Imbriquer des exceptions573
- Lever des exceptions578
- Lever des exceptions lors de conditions exceptionnelles578
- Passer à l'appelant des informations sur une erreur579
- Créer et utiliser des exceptions personnalisées580
- Utiliser la clause finally582
- Partie 3 Effectuer des tâches courantes
- Chapitre 10 Interagir avec les modules 589
- Créer des groupes de code590
- Importer des modules591
- Utiliser l'instruction import593
- Utiliser l'instruction from...import594
- Trouver des modules sur le disque597
- Voir le contenu d'un module600
- Utiliser la documentation des modules de Python604
- Ouvrir l'application pydoc604
- Utiliser les liens d'accès rapide606
- Taper un terme à rechercher606
- Voir les résultats608
- Chapitre 11 Travailler avec les chaînes de caractères. 611
- Comprendre que les chaînes sont différentes612
- Définir une chaîne de caractères en utilisant des nombres612
- Utiliser des caractères pour créer des chaînes613
- Créer des chaînes comportant des caractères spéciaux615
- Sélectionner des caractères individuels617
- Trancher et couper les chaînes de caractères619
- Localiser une valeur dans une chaîne623
- Formater les chaînes de caractères625
- Chapitre 12 Gérer des listes 631
- Organiser les informations dans une application632
- Définir une organisation à l'aide de listes632
- Comprendre comment tes ordinateurs voient les listes633
- Créer des listes635
- Accéder aux listes637
- Parcourir les listes639
- Modifier des listes639
- Faire des recherches dans les listes645
- Trier des listes647
- Travailler avec l'objet Counter649
- Chapitre 13 Collecter toutes sortes de données 653
- Comprendre les collections653
- Travailler avec les tuples655
- Travailler avec les dictionnaires658
- Créer et utiliser un dictionnaire659
- Remplacer l'instruction switch par un dictionnaire666
- Créer des piles en utilisant des listes666
- Travailler avec les files671
- Travailler avec des deques673
- Chapitre 14 Créer et utiliser des classes 677
- Comprendre les classes678
- Les classes et leurs composants679
- Créer la définition d'une classe680
- Les classes et leurs attributs intégrés681
- Travailler avec les constructeurs686
- Travailler avec les variables687
- Utiliser des méthodes avec des listes d'arguments variables692
- Surcharger les opérateurs693
- Créer une classe696
- Utiliser la classe dans une application697
- Étendre des classes pour en créer de nouvelles699
- Construire la classe enfant699
- Tester ta classe dans une application701
- Index Le machine learning 703
- Index Python 711
-
-
Origine de la notice:
- BPI
-
Disponible - 681.21(076) MUE
Niveau 3 - Informatique
