Machine Learning avec Scikit-Learn - 2e éd. - Mise en oeuvre et cas concrets (2° Éd.)
Mise en oeuvre et cas concrets
Coll. Hors Collection

Author:

Language: French
Publication date:
320 p. · 17.5x25 cm · Paperback
Out of Print
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.

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
Vue d’ensemble du Machine Learning.  Qu’est-ce que l’apprentissage automatique ?. Pourquoi utiliser l’apprentissage automatique ?. Exemples d’applications.Types de systèmes d’apprentissage automatique. Principales difficultés de l’apprentissage automatique. Test et validation. Exercices. 
Un projet de Machine Learning de bout en bout. Travailler avec des données réelles. Prendre du recul pour une vision d’ensemble. Récupérer les données. Découvrir et visualiser les données pour mieux les comprendre. Préparer les données pour les algorithmes d’apprentissage automatique.  Sélectionner et entraîner un modèle. Régler avec précision votre modèle.  Lancer, surveiller et maintenir votre système. Essayez !. Exercices.  Classification. MNIST. Entraînement d’un classificateur binaire. Mesures de performances. Classification multi-classes. Analyse des erreurs. Classification multi-étiquettes. Classification multi-sorties. Exercices. Entraînement de modèles. Régression linéaire. Descente de gradient. Régression polynomiale. Courbes d’apprentissage. Modèles linéaires régularisés. Régression logistique. Exercices. Machines à vecteurs de support. Classification SVM linéaire. Classification SVM non linéaire. Régression SVM. Sous le capot. Exercices.  Arbres de décision. Entraîner et visualiser un arbre de décision. Effectuer des prédictions. Estimation des probabilités des classes. Algorithme d’entraînement CART.  Complexité algorithmique.  Impureté Gini ou entropie ?. Hyperparamètres de régularisation. Régression. Instabilité. Exercices.  Apprentissage d’ensemble et forêts aléatoires. Classificateurs par vote. Bagging et pasting. Parcelles aléatoires et sous-espaces aléatoires.  Forêts aléatoires. Boosting. Stacking. Exercices.  Réduction de dimension. Le fléau de la dimension. Principales approches de la réduction de dimension. PCA. PCA à noyau. LLE. Autres techniques de réduction de dimension. Exercices.  Techniques d’apprentissage non supervisé. Partitionnement. Mélanges gaussiens. Exercices
Aurélien Géron est consultant en Machine Learning. Ex-Googler, il a mené l'équipe de classification des vidéos de YouTube de 2013 à 2016. Auparavant, il avait cofondé en 2001 la société de conseil Polyconseil, puis en 2002 la société Wifirst.
Il a été consultant dans de nombreux domaines : de la santé (transfusion sanguine) aux télécoms (SFR, Bolloré Telecom), en passant par la finance (JP Morgan et Société Générale) et la défense (ministère de la Défense nationale du Canada).
Il a également enseigné en écoles d’ingénieurs.