Deep Learning avec Keras et TensorFlow - 2e édition
Existe au format livre et ebook
Présentation du livre
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
Sommaire de l'ouvrage
Les fondamentaux du Machine Learning. Introduction aux réseaux de neurones artificiels avec Keras. Entraînement de réseaux de neurones profonds. Modèles personnalisés et entraînement avec TensorFlow. Chargement et prétraitement de données avec TensorFlow. Vision par ordinateur et réseaux de neurones convolutifs. Traitement des séries avec des RNR et des CNN. Traitement automatique du langage naturel avec les RNR et les attentions. Apprentissage de représentations et apprentissage génératif avec des autoencodeurs et des GAN. Apprentissage par renforcement. Entraînement et déploiement à grande échelle de modèles TensorFlow
