Nantilus
Machine learning avec Scikit-Learn : mise en oeuvre et cas concrets
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 p...
Enregistré dans:
| Auteurs principaux : | , |
|---|---|
| Format : | Livre |
| Langue : | français |
| Titre complet : | Machine learning avec Scikit-Learn : mise en oeuvre et cas concrets / Aurélien Géron; traduit de l'anglais par Anne Bohy |
| Édition : | 2e édition |
| Publié : |
Malakoff :
Dunod
, DL 2019 |
| Description matérielle : | 1 vol. (XV-297 p.) |
| Traduction de : | Hands-on machine learning with Scikit-Learn, Keras and TensorFlow |
| Sujets : | |
| Documents associés : | Autre format:
Machine learning avec Scikit-Learn |
| LEADER | 06384cam a2200637 4500 | ||
|---|---|---|---|
| 001 | PPN241272920 | ||
| 003 | http://www.sudoc.fr/241272920 | ||
| 005 | 20240531112500.0 | ||
| 010 | |a 978-2-10-079065-4 |b br. | ||
| 010 | |a 978-2-10-076540-9 |b br. |d 34 EUR | ||
| 020 | |a FR |b 02001903 | ||
| 021 | |a FR |b DLE-20191129-74553 | ||
| 033 | |a http://catalogue.bnf.fr/ark:/12148/cb45663964w | ||
| 035 | |a (OCoLC)1129385067 | ||
| 035 | |a FRBNF456639640000001 |z FRBNF45663964 | ||
| 073 | 1 | |a 9782100790654 | |
| 100 | |a 20191203h20192019k y0frey0103 ba | ||
| 101 | 1 | |a fre |c eng |e fre | |
| 102 | |a FR | ||
| 105 | |a a a 001yy | ||
| 106 | |a r | ||
| 181 | |6 z01 |c txt |2 rdacontent | ||
| 181 | 1 | |6 z01 |a i# |b xxxe## | |
| 182 | |6 z01 |c n |2 rdamedia | ||
| 182 | 1 | |6 z01 |a n | |
| 183 | 1 | |6 z01 |a nga |2 rdacarrier | |
| 200 | 1 | |a Machine learning avec Scikit-Learn |e mise en oeuvre et cas concrets |f Aurélien Géron |g traduit de l'anglais par Anne Bohy | |
| 205 | |a 2e édition | ||
| 214 | 0 | |a Malakoff |c Dunod |d DL 2019 | |
| 215 | |a 1 vol. (XV-297 p.) |c ill., graph., couv. ill. en coul. |d 25 cm | ||
| 339 | |a Présentation des fondamentaux de l'apprentissage automatique avec la bibliothèque libre Scikit-learn, module du langage de programmation Python. Avec des exercices corrigés et des compléments en ligne. ©Electre 2019 | ||
| 305 | |a La couv. mentionne aussi l'éditeur de la version originale (O'Reilly) | ||
| 320 | |a Notes bibliogr. Index | ||
| 330 | |a 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 Jupyter notebooks complètent le livre avec des exemples exécutables. Ce premier titre est complété par un second ouvrage intitulé Deep Learning avec TensorFlow. | ||
| 359 | 2 | |p P. VII |c Avant-propos |p P. 1 |b Chapitre 1. - Vue d'ensemble du Machine Learning |p P. 2 |c 1.1 Qu'est-ce que l'apprentissage automatique ? |p P. 3 |c 1.2 Pourquoi utiliser l'apprentissage automatique ? |p P. 6 |c 1.3 Types de systèmes d'apprentissage automatique |p P. 21 |c 1.4 Principales difficultés de l'apprentissage automatique |p P. 28 |c 1.5 Test et validation |p P. 30 |c 1.6 Exercices |p P. 33 |b Chapitre 2. - Un projet de Machine Learning de bout en bout |p P. 33 |c 2.1 Travailler avec des données réelles |p P. 35 |c 2.2 Prendre du recul pour une vision d'ensemble |p P. 40 |c 2.3 Récupérer les données |p P. 52 |c 2.4 Découvrir et visualiser les données pour mieux les comprendre |p P. 58 |c 2.5 Préparer les données pour les algorithmes d'apprentissage automatique |p P. 66 |c 2.6 Sélectionner et entraîner un modèle |p P. 70 |c 2.7 Régler avec précision votre modèle |p P. 75 |c 2.8 Lancer, surveiller et maintenir votre système |p P. 75 |c 2.9 Essayez ! |p P. 76 |c 2.10 Exercices |p P. 77 |b Chapitre 3. - Classification |p P. 77 |c 3.1 MNIST |p P. 80 |c 3.2 Entraînement d'un classificateur binaire |p P. 80 |c 3.3 Mesures de performances |p P. 91 |c 3.4 Classification multi-classes |p P. 93 |c 3.5 Analyse des erreurs |p P. 97 |c 3.6 Classification multi-étiquettes |p P. 98 |c 3.7 Classification multi-sorties |p P. 99 |c 3.8 Exercices |p P. 101 |b Chapitre 4. - Entraînement de modèles |p P. 102 |c 4.1 Régression linéaire |p P. 106 |c 4.2 Descente de gradient |p P. 116 |c 4.3 Régression polynomiale |p P. 118 |c 4.4 Courbes d'apprentissage |p P. 121 |c 4.5 Modèles linéaires régularisés |p P. 128 |c 4.6 Régression logistique |p P. 136 |c 4.7 Exercices |p P. 137 |b Chapitre 5. - Machines à vecteurs de support |p P. 137 |c 5.1 Classification SVM linéaire |p P. 141 |c 5.2 Classification SVM non linéaire |p P. 146 |c 5.3 Régression SVM |p P. 148 |c 5.4 Sous le capot |p P. 156 |c 5.5 Exercices |p P. 159 |b Chapitre 6. - Arbres de décision |p P. 159 |c 6.1 Entraîner et visualiser un arbre de décision |p P. 161 |c 6.2 Effectuer des prédictions |p P. 163 |c 6.3 Estimation des probabilités des classes |p P. 163 |c 6.4 Algorithme d'entraînement CART |p P. 164 |c 6.5 Complexité algorithmique |p P. 164 |c 6.6 Impureté Gini ou entropie ? |p P. 165 |c 6.7 Hyperparamètres de régularisation |p P. 167 |c 6.8 Régression |p P. 169 |c 6.9 Instabilité |p P. 170 |c 6.10 Exercices |p P. 173 |b Chapitre 7. - Apprentissage d'ensemble et forêts aléatoires |p P. 174 |c 7.1 Classificateurs par vote |p P. 176 |c 7.2 Bagging et pasting |p P. 180 |c 7.3 Parcelles aléatoires et sous-espaces aléatoires |p P. 180 |c 7.4 Forêts aléatoires |p P. 183 |c 7.5 Boosting |p P. 191 |c 7.6 Stacking |p P. 193 |c 7.7 Exercices |p P. 195 |b Chapitre 8. - Réduction de dimension |p P. 196 |c 8.1 Le fléau de la dimension |p P. 197 |c 8.2 Principales approches de la réduction de dimension |p P. 201 |c 8.3 PCA |p P. 208 |c 8.4 PCA à noyau |p P. 211 |c 8.5 LLE |p P. 213 |c 8.6 Autres techniques de réduction de dimension |p P. 214 |c 8.7 Exercices |p P. 217 |c Le mot de la fin |p P. 219 |c Annexe A. - Solutions des exercices |p P. 231 |c Annexe B. - Liste de contrôle de projet de Machine Learning |p P. 237 |c Annexe C. - SVM : le problème dual |p P. 241 |c Index | |
| 452 | | | |0 242011055 |t Machine learning avec Scikit-Learn |o mise en oeuvre et cas concrets |f Aurélien Géron |c Malakoff |n Dunod |d 2019 |y 978-21-0079-782-0 | |
| 454 | | | |t Hands-on machine learning with Scikit-Learn, Keras and TensorFlow |d cop. 2019 | |
| 605 | |3 PPN223831433 |a Scikit-Learn (logiciel) |m logiciel |2 rameau | ||
| 606 | |3 PPN027234541 |a Intelligence artificielle |2 rameau | ||
| 606 | |3 PPN027940373 |a Apprentissage automatique |2 rameau | ||
| 676 | |a 006.31 |v 23 |z fre | ||
| 676 | |a 006 |v 22 | ||
| 680 | |a Q325.5 | ||
| 686 | |a 68T05 |c 2000 |2 msc | ||
| 686 | |a 81P68 |c 2000 |2 msc | ||
| 686 | |a 004 |2 Cadre de classement de la Bibliographie nationale française | ||
| 700 | 1 | |3 PPN050363468 |a Géron |b Aurélien |4 070 | |
| 701 | 1 | |3 PPN049653776 |a Bohy |b Anne |4 730 | |
| 801 | 3 | |a FR |b Electre |c 20190306 |g AFNOR | |
| 801 | 3 | |a FR |b Electre |c 20191125 |g AFNOR | |
| 801 | 3 | |a FR |b Abes |c 20200311 |g AFNOR | |
| 801 | 0 | |a FR |b FR-751131015 |c 20190205 |g AFNOR |2 intermrc | |
| 979 | |a SCI | ||
| 930 | |5 441092105:652977162 |b 441092105 |j u | ||
| 930 | |5 441092104:66966278X |b 441092104 |j u | ||
| 998 | |a 836196 | ||