Machine learning avec Scikit-Learn

Machine learning avec Scikit-Learn

Saved in:
Bibliographic Details
Main Author : Géron Aurélien (Auteur)
Other Authors : Bohy Anne (Traducteur)
Format : Book
Language : français
Title statement : Machine learning avec Scikit-Learn / Aurélien Géron; traduit de l'anglais par Anne Bohy
Published : Malakoff : Dunod , DL 2017
Physical Description : 1 vol. (XII-244 p.)
Traduction de : Hands-on machine learning with Scikit-Learn and TensorFlow
Subjects :
Apprentissage automatique
Intelligence artificielle
Related Items : Additional physical form: Machine learning avec Scikit-Learn
  • P. VII
  • Avant-propos
  • P. 1
  • Chapitre 1. - Vue d'ensemble du Machine Learning
  • P. 2
  • 1.1 Qu'est-ce que l'apprentissage automatique ?
  • P. 3
  • 1.2 Pourquoi utiliser l'apprentissage automatique ?
  • P. 6
  • 1.3 Types de systèmes d'apprentissage automatique
  • P. 21
  • 1.4 Principales difficultés de l'apprentissage automatique
  • P. 28
  • 1.5 Test et validation
  • P. 30
  • 1.6 Exercices
  • P. 33
  • Chapitre 2. - Un projet de Machine Learning de bout en bout
  • P. 33
  • 2.1 Travailler avec des données réelles
  • P. 35
  • 2.2 Prendre du recul pour une vision d'ensemble
  • P. 40
  • 2.3 Récupérer les données
  • P. 52
  • 2.4 Découvrir et visualiser les données pour mieux les comprendre
  • P. 58
  • 2.5 Préparer les données pour les algorithmes d'apprentissage automatique
  • P. 66
  • 2.6 Sélectionner et entraîner un modèle
  • P. 70
  • 2.7 Régler avec précision votre modèle
  • P. 75
  • 2.8 Lancer, surveiller et maintenir votre système
  • P. 75
  • 2.9 Essayez !
  • P. 76
  • 2.10 Exercices
  • P. 77
  • Chapitre 3. - Classification
  • P. 77
  • 3.1 MNIST
  • P. 80
  • 3.2 Entraînement d'un classificateur binaire
  • P. 80
  • 3.3 Mesures de performances
  • P. 91
  • 3.4 Classification multi-classes
  • P. 93
  • 3.5 Analyse des erreurs
  • P. 97
  • 3.6 Classification multi-étiquettes
  • P. 98
  • 3.7 Classification multi-sorties
  • P. 99
  • 3.8 Exercices
  • P. 101
  • Chapitre 4. - Entraînement de modèles
  • P. 102
  • 4.1 Régression linéaire
  • P. 106
  • 4.2 Descente de gradient
  • P. 116
  • 4.3 Régression polynomiale
  • P. 118
  • 4.4 Courbes d'apprentissage
  • P. 121
  • 4.5 Modèles linéaires régularisés
  • P. 128
  • 4.6 Régression logistique
  • P. 136
  • 4.7 Exercices
  • P. 137
  • Chapitre 5. - Machines à vecteurs de support
  • P. 137
  • 5.1 Classification SVM linéaire
  • P. 141
  • 5.2 Classification SVM non linéaire
  • P. 146
  • 5.3 Régression SVM
  • P. 148
  • 5.4 Sous le capot
  • P. 156
  • 5.5 Exercices
  • P. 159
  • Chapitre 6. - Arbres de décision
  • P. 159
  • 6.1 Entraîner et visualiser un arbre de décision
  • P. 161
  • 6.2 Effectuer des prédictions
  • P. 163
  • 6.3 Estimation des probabilités des classes
  • P. 163
  • 6.4 Algorithme d'entraînement CART
  • P. 164
  • 6.5 Complexité algorithmique
  • P. 164
  • 6.6 Impureté Gini ou entropie ?
  • P. 165
  • 6.7 Hyperparamètres de régularisation
  • P. 167
  • 6.8 Régression
  • P. 169
  • 6.9 Instabilité
  • P. 170
  • 6.10 Exercices
  • P. 173
  • Chapitre 7. - Apprentissage d'ensemble et forêts aléatoires
  • P. 174
  • 7.1 Classificateurs par vote
  • P. 176
  • 7.2 Bagging et pasting
  • P. 180
  • 7.3 Parcelles aléatoires et sous-espaces aléatoires
  • P. 180
  • 7.4 Forêts aléatoires
  • P. 183
  • 7.5 Boosting
  • P. 191
  • 7.6 Stacking
  • P. 193
  • 7.7 Exercices
  • P. 195
  • Chapitre 8. - Réduction de dimension
  • P. 196
  • 8.1 Le fléau de la dimension
  • P. 197
  • 8.2 Principales approches de la réduction de dimension
  • P. 201
  • 8.3 PCA
  • P. 208
  • 8.4 PCA à noyau
  • P. 211
  • 8.5 LLE
  • P. 213
  • 8.6 Autres techniques de réduction de dimension
  • P. 214
  • 8.7 Exercices
  • P. 217
  • Le mot de la fin
  • P. 219
  • Annexe A. - Solutions des exercices
  • P. 231
  • Annexe B. - Liste de contrôle de projet de Machine Learning
  • P. 237
  • Annexe C. - SVM : le problème dual
  • P. 241
  • Index