Machine Learning avec Scikit-Learn - 2e édition
Présentation du livre
Cet ouvrage, conçu pour tous ceux qui souhaitent s'initier au Machine Learning (apprentissage automatique) est la traduction de la première partie du best-seller américain Hands-On Machine Learning with Scikit-Learn & TensorFlow.
Il ne requiert que peu de connaissances en mathématiques et présente les fondamentaux du Machine Learning d'une façon très pratique à l'aide de Scikit-Learn qui est l'un des frameworks de ML les plus utilisés actuellement.
Des exercices corrigés permettent de s'assurer que l'on a assimilé les concepts et que l'on maîtrise les outils.
Des compléments en ligne interactifs sous forme de notebooks Jupyter complètent le livre avec des exemples exécutables.
Ce premier titre est complété par un second ouvrage intitulé Deep Learning avec TensorFlow.
Cette deuxième édition rend compte des changements récents apportés à Scikit Learn.
Sommaire de l'ouvrage
Vue d’ensemble du Machine Learning. Qu’est-ce que l’apprentissage automatique ? Pourquoi utiliser l’apprentissage automatique ? Principales difficultés de l’apprentissage automatique. Test et validation. 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. Préparer les données pour les algorithmes d’apprentissage automatique. Sélectionner et entraîner un modèle. Lancer, surveiller et maintenir votre système. Classification. MNIST. Entraînement d’un classificateur binaire. Mesures de performances. Classification multi-classes. Analyse des erreurs. Classification multi-étiquettes. Entraînement de modèles. Régression linéaire. Descente de gradient. Régression polynomiale. Courbes d’apprentissage. Modèles linéaires régularisés. Régression logistique. Machines à vecteurs de support. Classification SVM linéaire. Classification SVM non linéaire. Régression SVM. 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. Apprentissage d’ensemble et forêts aléatoires. Classificateurs par vote. Bagging et pasting. Parcelles aléatoires et sous-espaces aléatoires. Forêts aléatoires. Boosting. Stacking. Réduction de dimension. Principales approches de la réduction de dimension. PCA à noyau. LLE. Autres techniques de réduction de dimension.
