Intelligence artificielle vulgarisée. Le machine learning et le deep learning par la pratique
Extraits
Informatique
Intelligence artificielle vulgarisée. Le machine learning et le deep learning par la pratique
L'intelligence artificielle est aujourd'hui incontournable. Cependant, les approches pédagogiques réalisées par les ouvrages et sites internet dédiés à l'intelligence artificielle restent souvent complexes. Ce livre a pour objectif de présenter de façon simple et concrète la création de projets basés sur de l'intelligence artificielle en mettant de côté les formules mathématiques et statistiques décourageantes pour la plupart des novices. Il permet ainsi de rendre compréhensibles et applicables les concepts du Machine Learning et du Deep Learning à toute personne âgée de 15 à 99 ans ! La démarche proposée par cet ouvrage se veut progressive et l'auteur entremêle théorie et cas pratiques. Après une introduction à l'intelligence artificielle et aux craintes qu'elle suscite, deux chapitres proposent un bref rappel sur les fondamentaux du langage Python, sur des notions statistiques ainsi qu'une présentation des algorithmes du Machine Learning et de leur champ d'application. Le lecteur peut ensuite, grâce aux trois chapitres qui suivent, découvrir comment donner la faculté à sa machine de prédire des valeurs et de réaliser des classifications. Vient ensuite la découverte de l'apprentissage non supervisé puis de la classification de texte. Enfin, à travers trois chapitres successifs traitant des réseaux de neurones, le lecteur découvre comment les neurosciences ont eu un impact sur l'intelligence artificielle. L'ouvrage se termine par la réalisation de cas pratiques : un premier mêlant réseau de neurones et parole et un second relatif au premier chatbot.
09/2019
Informatique
Introduction au Deep Learning
Cet ouvrage s'adresse aux étudiants en fin de licence et en master d'informatique ou de maths appliquées, ainsi qu'aux élèves ingénieurs. L'apprentissage profond (deep learning) a révolutionné l'intelligence artificielle et s'est très rapidement répandu dans de nombreux domaines d'activité. Grâce à une approche "orientée projet", ce livre a pour but d'expliquer les bases du deep learning, depuis les réseaux de neurones à propagation avant jusqu'aux réseaux non supervisés. Conçu comme un manuel d'apprentissage synthétique, avec cours et exercices, il s'appuie sur des exemples dans des domaines comme la vision par ordinateur, la compréhension des langages naturels ou l'apprentissage par renforcement. Ces exemples sont étudiés avec le logiciel TensorFlow. Les notions théoriques sont illustrées et complétées par une quarantaine d'exercices, dont la moitié sont corrigés.
01/2021
Programmation
Le Machine Learning avec Python. De la théorie à la pratique
Ce livre sur le Machine Learning avec le langage Python permet aux lecteurs novices ou étudiants de disposer des connaissances théoriques nécessaires pour une compréhension approfondie du Machine Learning et d'appréhender les outils techniques utiles pour mettre en pratique les concepts étudiés. L'auteur y expose des exemples concrets sur les concepts de l'apprentissage automatique. Des lecteurs plus avertis trouveront dans ce livre une occasion d'aller plus loin dans leur compréhension des algorithmes du Machine Learning et les enseignants pourront y voir une ressource adaptée pour dispenser un cours sur le sujet. Pour commencer, l'auteur explique les enjeux de la Data Science ainsi que les notions fondamentales du Machine Learning avant de présenter la démarche théorique d'une expérimentation en Data Science avec des notions de modélisation d'un problème et les métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique avec le langage Python en manipulant les bibliothèques Numpy et Pandas ainsi que l'environnement Jupyter, et aborder ainsi sereinement les chapitres suivants qui lui feront découvrir les notions mathématiques, et la pratique sous-jacente, relatives aux algorithmes du Machine Learning : statistiques pour la Data Science, régression linéaire et polynomiale, régression logistique, arbres de décision et Random Forest, K-means, Support Vector Machine, analyse en composantes principales et réseaux de neurones. Des éléments complémentaires sont en téléchargement sur le site www. editions-eni. fr.
09/2021
Informatique
Le Machine learning pour les nuls
Plongez au coeur de l'intelligence arficielle et de la data science Vous aussi participez à la révolution qui ramène l'intelligence artificielle au coeur de notre société, grace à la data scince et au machine learning. La data science consiste à traduire des problèmes de toute autre nature, en problèmes de modélisation quantitative, résolus par des algorithmes de traitement. Ce livre va vous faire découvrir tous les ingrédients qui font du machine learning l'outil indispensable du développement d'applications liées à l'intelligence artificielle. Au programme de ce livre : Découvrez toutes les applications du quotidien qui utilisent le machine learning Apprenez les langages du machine learning : Python et R, afin de vous adresser aux machines qui effectueront des traitements sur les données Apprenez à coder en R avec R studio Apprenez à coder en Python en utilisant Anaconda
11/2019
Algorithmes
Machine Learning et Deep Learning. Des bases à la conception avancée d'algorithmes (exemples en Python et en JavaScript)
Ce livre s'adresse à toute personne qui désire mieux comprendre et utiliser les algorithmes pour améliorer sa pratique de la programmation et notamment celle dédiée au Machine Learning ou au Deep Learning. L'auteur commence par parler de logique pour aider le lecteur dans sa compréhension des algorithmes classiques et des règles de programmation. Il sera ainsi armé pour étudier les bases propres à tout langage de programmation : les variables, les opérateurs, les conditions, les boucles, les fonctions... Dans la suite du livre, l'auteur détaille ce qui fait la spécificité, l'intérêt et la puissance des algorithmes dits intelligents, dédiés au Machine Learning ou au Deep Learning. Il donne au lecteur des exemples d'applications modernes et montre comment les utiliser concrètement. Enfin, cet ouvrage propose des exemples de problèmes d'algorithmiques courants et explique leurs résolutions. à l'issue de la lecture de ce livre, le lecteur sera en mesure de programmer efficacement dans n'importe quel langage. La plupart des algorithmes de ce livre sont traduits en Python et en JavaScript. Les sources, directement utilisables, sont disponibles en téléchargement sur le site www. editions-eni. fr.
07/2021
Informatique
Big Data, Machine Learning et apprentissage profond
Cet ouvrage montre comment appliquer les méthodes de machine learning aux Big Data, et comment appliquer les méthodes plus spécifiques de deep learning aux problèmes plus complexes relevant de l'intelligence artificielle, tels que la reconnaissance d'image et le traitement du langage naturel.
04/2019
Programmation
Le machine learning et Python pour les Nuls
Plongez au coeur de l'intelligence arficielle et de la data science avec le machine learning et Python Vous aussi participez à la révolution qui ramène l'intelligence artificielle au coeur de notre société, grace à la data science, au machine learning et à Python son langage de référence. La data science consiste à traduire des problèmes de toute autre nature, en problèmes de modélisation quantitative, résolus par des algorithmes de traitement. Ce livre diviser en 2 livre distincts va tout d'abord vous faire découvrir tous les ingrédients qui font du machine learning l'outil indispensable du développement d'applications liées à l'intelligence artificielle. Dans un second temps, vous découvrirez le langage vedette du machine learning et de la data science, le bien nommé Python. Au programme de ce livre : Découvrez toutes les applications du quotidien qui utilisent le machine learning Découvrez les langages du machine learning : Python et R, afin de vous adresser aux machines qui effectueront des traitements sur les données Comprendre la syntaxe du langage Python Concevoir des programmes et simplifier le développement Blocs de données, chaînes et dictionnaires S'initier à la programmation procédurale et orientée objet
02/2022
Econométrie, théorie des jeux
Machine Learning pour l’économétrie
Machine learning pour l'économétrie est un ouvrage destiné aux économistes qui souhaitent appréhender les techniques de machine learning modernes - de leurs performances en matière de prédiction au traitement révolutionnaire des données non structurées - afin d'établir des relations de causalité à partir des données. Il aborde la sélection automatique de variables dans divers contextes de grande dimension, l'estimation de l'hétérogénéité des effets du traitement, les techniques de traitement du langage naturel (NLP), ainsi que le contrôle synthétique et les prévisions macroéconomiques. Les fondements des méthodes de machine learning sont introduits de manière à proposer à la fois un traitement théorique approfondi de la façon dont elles peuvent être utilisées en économétrie, ainsi que de nombreuses applications économiques. Chaque chapitre contient une série d'exemples empiriques, de programmes et d'exercices pour faciliter l'adoption et la mise en oeuvre des techniques par le lecteur. Ce livre s'adresse aux étudiants de master ou de grandes écoles, aux chercheurs et aux praticiens désireux de comprendre et perfectionner leur connaissance du machine learning pour l'appliquer dans un contexte traditionnellement réservé à l'économétrie.
10/2023
Mathématiques pour l'informati
Introduction au Machine Learning. 2e édition
Cet ouvrage s'adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d'ingénieurs. Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en oeuvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés.
02/2022
Informatique
Le traitement automatique des langues. Comprendre les textes grâce à l'intelligence artificielle
François-Régis Chaumartin Pirmin Lemberger LE TRAITEMENT AUTOMATIQUE DES LANGUES Comprendre les textes grâce à l'intelligence artificielle Cet ouvrage s'adresse à tous ceux qui cherchent à tirer parti de l'énorme potentiel des technologies de traitement automatique des langues (natural language processing ou NLP), notamment celles d'analyse sémantique et de fouille de textes (text mining). Il est destiné aux non-spécialistes de l'intelligence artificielle qui brassent au quotidien des textes dans le cadre de leur activité professionnelle. Il sera aussi précieux pour les data scientists, DSI, chefs de projet et consultants qui souhaitent analyser des textes pour en extraire de l'information. Ce livre présente un large panorama de cas d'usages. Il détaille aussi les technologies sous-jacentes, allant des classiques systèmes symboliques aux dernières avancées du machine learning et du deep learning. Combinant la théorie et la pratique, il présente : des applications du traitement du langage ; les bases de la linguistique informatique ; des formalismes de représentation du sens ; les principales tâches de traitement du langage ; les modèles récents de deep learning appliqués au NLP ; l'organisation typique d'un projet de ce type.
02/2020
Langages informatiques
Python sans détour. De l'addition au deep learning
Apprenez à programmer en Python et à réaliser toutes sortes de manipulations courantes du simple calcul à la reconnaissance d'objets en passant par l'édition de vidéos ou l'annotation de cartes géographiques. Ce livre se veut à la fois accessible et efficace. Fondé sur la pratique et l'expérience de ses auteurs en matière d'enseignement du langage Python à des étudiants ou des lycéens, il présente un large panel de cas d'utilisation autour de sept thèmes : manipulation de documents, extraction d'informations issues du Web, calcul scientifique et tracé de courbes, traitement d'image, du son et de la vidéo, cartes géographiques et itinéraires, deep learning et interfaces graphiques. Une première partie passe en revue de manière synthétique toutes les notions requises en Python pour réaliser ces exemples. Les exemples ont été réalisés et testés avec les dernières versions de Python (3. 7 à 3. 10) et sont compatibles Windows, macOS et Linux. Les codes sources sont téléchargeables par les utilisateurs. Ce livre intéressera en particulier les étudiants, ainsi que les enseignants et élèves de lycées en spécialité informatique.
05/2022
Informatique
Machine learning et securité. Protection des systèmes par les données et les algorithmes
Les techniques d'apprentissage machine (machine learning) peuvent-elles résoudre nos problèmes de sécurité informatique et mettre enfin un terme au jeu du chat et de la souris entre attaquants et défenseurs ? Ou bien cet espoir est-il vain ? Vous allez enfin pouvoir vous plonger dans les faits scientifiques et répondre à cette question par vous-même ! Grâce à ce guide pratique, vous explorerez de multiples façons d'appliquer l'apprentissage machine à des questions de sécurité telles que la détection des intrusions, la classification des logiciels malveillants et l'analyse des réseaux. Les auteurs de ce livre, experts de l'apprentissage machine et de la sécurité, fournissent un cadre permettant de discuter des liens entre ces deux domaines, ainsi qu'une boîte à outils d'algorithmes d'apprentissage automatique que vous pouvez appliquer à toute une série de problèmes de sécurité. Ce livre est un outil idéal pour les ingénieurs spécialisés en sécurité ainsi que pour les data scientists. Détectez rapidement les anomalies telles que les brèches, les fraudes et les pannes imminentes du système. Effectuez une analyse des logiciels malveillants en extrayant des informations utiles à partir des données binaires de l'ordinateur. Identifiez les attaquants au sein d'un réseau en trouvant des modèles à l'intérieur des jeux de données. Examinez comment les attaquants exploitent les sites web et les fonctionnalités des applications destinées aux clients. Faites évoluer vos algorithmes d'apprentissage automatique du laboratoire à la production. Comprenez les menaces que représentent les attaquants pour les solutions d'apprentissage automatique.
02/2019
Programmation
Machine Learning. Implémentation en Python avec Scikit-learn
Ce livre présente à des personnes non Data Scientists, et sans connaissances particulières en mathématiques, la méthodologie du Machine Learning, ses concepts et l'implémentation de ceux-ci en Python. Il commence par une présentation du Machine Learning puis de la méthode CRISP où chaque phase est détaillée avec les différentes étapes. Les premiers chapitres s'intéressent donc aux phases de Data Understanding (ou compréhension des données) et de Data Preparation (préparation des données). Dans le premier sont présentés des analyses statistiques de datasets, que cela soit sous forme numérique ou graphique. Dans le deuxième sont vues les principales techniques utilisées pour la préparation des données, avec leur rôle et des conseils sur leur utilisation. Ensuite, plusieurs chapitres sont dédiés chacun à une tâche de Machine Learning : · La classification ; · La régression, avec le cas particulier de la prédiction ; · Le clustering et plus globalement l'apprentissage non supervisé. Pour chaque tâche qui est présentée sont successivement détaillés les critères d'évaluation, les concepts derrière les principaux algorithmes puis leur implémentation avec Scikit-Learn. Pour illustrer les différents chapitres, les techniques et algorithmes présentés sont appliqués sur des datasets souvent utilisés : Iris (classification de fleurs), Boston (prévision de prix de vente d'appartements) et Titanic (prévision de la chance de survie des passagers du bateau).
10/2021
Gestion
Machine Learning et Supply Chain : révolution ou effet de mode ?
Les systèmes industriels et logistiques modernes génèrent un nombre considérable de données, que les progrès des nouvelles technologies permettent de capter de plus en plus efficacement : caractéristiques des produits et des commandes, traçabilité, paramètres de fabrication, de manutention et de transport, phénomènes exogènes de toutes sortes, etc. L'émergence de nouvelles techniques d'analyse des données, comme le Machine Learning, semble donc ouvrir de nouvelles possibilités pour planifier plus efficacement la Supply Chain. Certains parlent même d'une révolution à venir, d'autres ne voyant rien venir, évoquent des effets de mode. Cet ouvrage, rédigé par un enseignant-chercheur et un praticien en entreprise, propose de décrire ce qu'est le Machine Learning, et comment il est possible d'utiliser ses apports dans la Supply Chain, dans le cadre conceptuel de la planification hiérarchisée. Il s'adresse avant tout aux opérationnels de la Supply Chain, ainsi qu'aux étudiants, à qui il permettra de comprendre les concepts de la planification hiérarchisée, les principaux algorithmes du Machine Learning et surtout de découvrir, à partir d'exemples concrets, des projets effectivement menés en entreprise, et des recommandations pratiques pour en réussir d'autres. Ni thuriféraires de la technologie, ni sceptiques rétrogrades, les auteurs visent à faire prendre conscience par les acteurs, actuels et futurs, de la Supply Chain que le Machine Learning ne peut être ignoré, mais que son utilisation dans le cadre de projets réels nécessitera un pilotage plein d'intelligence humaine.
10/2019
Programmation
Découverte du Machine Learning. Les outils de l'apprentissage automatique
L'ouvrage : niveau B (Ecoles d'ingénieurs - Masters). Cet ouvrage propose une découverte pragmatique du Machine Learning à travers des exemples implémentés. Il constitue une introduction à différentes méthodes permettant aux étudiants de DUT, de licence, des écoles d'ingénieurs et aux chercheurs de découvrir plusieurs aspects du domaine. Le domaine du Machine Learning couvre un large spectre d'outils et de méthodes. Cet ouvrage fait un focus particulier sur les réseaux de neurones, les réseaux Bayésiens, les méthodes de classification, le pattern mining et les séries temporelles. La découverte s'effectue en utilisant des bibliothèques dédiées au Machine Learning, notamment TensorFlow, Keras, pyAgrum et Weka. Les exemples du livre sont essentiellement des problèmes qui ont été tirés des domaines d'expertise des auteurs. Les codes informatiques sont proposés en Python, en C et en Java, car les domaines où le Machine Learning est utile sont très nombreux et il est important d'avoir une vue globale de ce qu'il est possible de faire avec les outils récents.
04/2021
Analyse littéraire
L'intelligence artificielle des textes. Des algorithmes à l'interprétation
Les arts et les sciences du texte peuvent-ils tirer parti de la puissance nouvelle des machines ? Que peuvent nous apprendre les algorithmes de deep learning sur une oeuvre, un auteur, un genre, une époque ? L'Intelligence artificielle peut-elle offrir à l'analyste des parcours de lecture inédits et faire émerger de nouveaux observables textuels comme autant de passages pertinents à interpréter ? En retour enfin, l'expertise linguistique du texte permet-elle d'éclairer la boite noire et le fonctionnement des réseaux de neurones artificiels ? C'est à ces questions ambitieuses que les auteurs de cet ouvrage, linguistiques, informaticiens, historiens, statisticiens essayent de répondre. Les arts et les sciences du texte peuvent-ils tirer parti de la puissance nouvelle des machines ? Que peuvent nous apprendre les algorithmes de deep learning sur une oeuvre, un auteur, un genre, une époque ? L'Intelligence artificielle peut-elle offrir à l'analyste des parcours de lecture inédits et faire émerger de nouveaux observables textuels comme autant de passages pertinents à interpréter ? En retour enfin, l'expertise linguistique du texte permet-elle d'éclairer la boite noire et le fonctionnement des réseaux de neurones artificiels ? C'est à ces questions ambitieuses que les auteurs de cet ouvrage, linguistiques, informaticiens, historiens, statisticiens essayent de répondre.
04/2021
Informatique
Deep Learning avec Keras et TensorFlow. Mise en oeuvre et cas concrets, 2e édition
Cet ouvrage, conçu pour tous ceux qui souhaitent s'initier au deep learning (apprentissage profond), est la traduction de la deuxième partie du best-seller américain Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow (2e édition). Le deep learning est récent et il évolue vite. Ce livre en présente les principales techniques : les réseaux de neurones profonds, capables de modéliser toutes sortes de données, les réseaux de convolution, capables de classifier des images, les segmenter et découvrir les objets ou personnes qui s'y trouvent, les réseaux récurrents, capables de gérer des séquences telles que des phrases, des séries temporelles, ou encore des vidéos, les autoencodeurs qui peuvent découvrir toutes sortes de structures dans des données, de façon non supervisée, et enfin le reinforcement learning (apprentissage par renforcement) qui permet de découvrir automatiquement les meilleures actions pour effectuer une tâche (par exemple un robot qui apprend à marcher). Ce livre présente TensorFlow, le framework de deep learning créé par Google. Il est accompagné de notebooks Jupyter qui contiennent tous les exemples de code du livre, afin que le lecteur puisse facilement tester et faire tourner les programmes. Il complète un premier livre du même auteur intitulé Machine Learning avec Scikit-Learn.
05/2020
Informatique
Big Data et Machine Learning. Les concepts et les outils de la data science, 3e édition
Cet ouvrage s'adresse à tous ceux qui cherchent à tirer parti de l'énorme potentiel des technologies Big Data, qu'ils soient data scientists, DSI, chefs de projets ou spécialistes métier. Le Big Data s'est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel de l'exploitation de leurs données clients, fournisseurs, produits, processus, etc. Il a en outre permis l'émergence des techniques d'apprentissage automatique (Machine Learning, Deep Learning...) qui ont relancé le domaine de l'intelligence artificielle. Mais quelle solution technique choisir ? Quelles compétences métier développer au sein de la DSI ? Ce livre est un guide pour comprendre les enjeux d'un projet Big Data, en appréhender les concepts sous-jacents et acquérir les compétences nécessaires à la mise en place d'une architecture d'entreprise adaptée. Il combine la présentation : - de notions théoriques (traitement statistique des données, calcul distribué...) ; - des outils les plus répandus ; - d'exemples d'applications, notamment en NLP (Natural Language Processing) ; - d'une organisation typique d'un projet de data science.
08/2019
Algorithmes
Apprentissage artificiel. Concepts et algorithmes - De Baye et Hume au Deep learning, 4e édition
Les programmes d'intelligence artificielle sont aujourd'hui capables de reconnaître des commandes vocales, d'analyser automatiquement des photos satellites, d'assister des experts pour prendre des décisions dans des environnements complexes et évolutifs (analyse de marchés financiers, diagnostics médicaux...), de fouiller d'immenses bases de données hétérogènes, telles les innombrables pages du Web... Pour réaliser ces tâches, ils sont dotés de modules d'apprentissage leur permettant d'adapter leur comportement à des situations jamais rencontrées, ou d'extraire des lois à partir de bases de données d'exemples. Ce livre présente les concepts qui sous-tendent l'apprentissage artificiel, les algorithmes qui en découlent et certaines de leurs applications. Son objectif est de décrire un ensemble d'algorithmes utiles en tentant d'établir un cadre théorique unique pour l'ensemble des techniques regroupées sous ce terme " d'apprentissage artificiel ". Ce livre s'adresse aux décideurs et aux ingénieurs qui souhaitent comprendre l'apprentissage automatique et en acquérir des connaissances solides, ainsi qu'aux étudiants de niveau maîtrise, DEA ou école d'ingénieurs qui souhaitent un ouvrage de référence en intelligence artificielle et en reconnaissance des formes. Ouvrage publié avec le concours de l'Ecole Nationale Supérieure des Sciences Appliquées et de Technologie (Lannion)
03/2021
Intelligence artificielle
Deep Learning avec Keras et TensorFlow. Mise en oeuvre et cas concrets, 3e édition
L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Deep Learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. Cette troisième édition tient notamment compte de la nouvelle version de TensorFlow 2, outil open source très efficace pour entraîner des réseaux de neurones artificiels. - Construire et former de nombreuses architectures de réseaux de neurones pour classification et régression à l'aide de TensorFlow 2. - Découvrir la détection d'objets, la segmentation sémantique, les mécanismes d'attention, les modèles de langage, les réseaux antagonistes génératifs, etc. - Explorer l'API Keras, l'API officielle de haut niveau pour TensorFlow 2. - Produire des modèles TensorFlow à l'aide de TF Data, de TF Transform, de l'API de stratégies de distribution et de TF Serving. - Déployer sur la plateforme Google Cloud AI ou sur des appareils mobiles. - Créer des agents d'apprentissage autonomes avec le Reinforcement Learning, y compris en utilisant la bibliothèque TF-Agents. 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
03/2024
Sociologie
Intelligence Artificielle. Pratiques et enjeux pour le développement
Quand on parle d'intelligence artificielle (I. A.), on aborde généralement le sujet sous un angle purement technique, ou sur une comparaison de l'intelligence des machines avec celle de l'homme. Cet ouvrage offre une perspective différente, parce que communicationnelle. En effet, l'intelligence artificielle génère un être à vivre ensemble tout comme elle est un appui remarquable aux techniques et systèmes de communication. L'ouvrage est divisé en trois parties. La première revient sur les fondements et les spécificités de l'intelligence artificielle, la deuxième met en lumière la façon dont l'intelligence artificielle a été et est abordée en Sciences humaines et sociales avec une nette focalisation sur les Sciences de l'information et de la communication et, la troisième, relève les enjeux et pratiques de l'intelligence artificielle dans le cadre du développement. Plusieurs aspects sont ainsi analysés : la sécurité, la santé, l'éducation, l'économie, l'environnement.
01/2019
Intelligence artificielle
Machine Learning avec Scikit-Learn. Mise en oeuvre et cas concrets, 3e édition
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
11/2023
Informatique
Machine Learning avec Scikit-Learn. Mise en oeuvre et cas concrets, 2e édition
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 boites 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 dimensionnalite. la classification et la détection d'anomalies.
11/2019
Formation
Blended learning avec Google
Le développement de la formation à distance et de la pédagogie active pousse les formateurs à revoir leur compétences et à chercher de nouveaux outils. Et pourquoi pas Google, largement présents auprès des étudiants ? Ce livre, rédigé par une formatrice Google certifiée aux USA, vous emmène au coeur de l'utilisation des outils Google en formation, avec des exemples concrets, des fiches pratiques et des témoignages.
02/2024
Intelligence artificielle
Gradient Boosting - Exploitez les arbres de décision pour le Machine Learning (XGBoost, CatBoost, Li
Ce livre sur les méthodes de Gradient Boosting pour les arbres de décision est destiné aux étudiants, universitaires, ingénieurs, data scientist qui souhaitent découvrir en profondeur le fonctionnement de cette technique de Machine Learning utilisée dans les tâches de régression et de classification. Tous les concepts sont illustrés par du code et permettent au lecteur de reconstruire from scratch sa propre librairie de Gradient Boosting. En parallèle de cette découverte, le livre présente les bonnes pratiques de la Data Science et apporte au lecteur un solide bagage technique pour construire efficacement des modèles de Machine Learning. Après une présentation du fonctionnement des Gradient Boosting Trees, illustrée par de nombreux exemples de code offrant une implémentation minimale de chaque sujet abordé, vous construisez vos premiers modèles de Gradient Boosting pour les arbres de décision. Vous serez ensuite armé pour aborder la mise en application et la configuration de ces méthodes. L'explication d'un modèle, la gestion de l'Hyper Parameters Tuning et l'utilisation des fonctions objectifs n'auront alors plus de secrets pour vous. Les derniers chapitres du livre élargissent le sujet vers l'application du Gradient Boosting pour les séries temporelles, la présentation des grandes bibliothèques XGBoost, CatBoost et LightGBM) ainsi que le concept de modèle multi-résolution. Des éléments complémentaires sont en téléchargement sur le site www. editions-eni. fr.
03/2022
Intelligence artificielle
Intelligence Artificielle. Applications
"A l'institut EuropIA, nous partons du principe que l'Intelligence Artificielle est un changement culturel et que l'impulsion doit venir "d'en haut". Nous proposons avant tout d'informer et de former (PedagogIA). Nous n'allons pas parler de deep learning ou de machine learning, mais nous voulons surtout faire comprendre l'importance qu'on les data pour ge?ne?rer une application effective de l'Intelligence Artificielle. Elle n'est pas une menace pour l'homme. Il faut pluto?t avoir peur de l'humain qui l'utilise. De la me?me fac?on qu'un laser peut e?tre une arme le?tale ou bien de gue?rison. Elle ne va pas non plus se substituer a? l'homme : elle est et doit rester au service de l'humanite?. Pour l'instant, nous sommes encore dans ce qu'on appelle l'IA faible. Cela signifie qu'elle n'est pas capable d'apprendre seule, c'est le datascientist qui la nourrit. Certes, on arrivera un jour a? l'IA forte qui sera a? me?me de comprendre les e?motions et la gestualite? mais elle n'aura jamais de conscience... En fait, je pense que c'est l'appellation intelligence artificielle en elle-me?me qui fait peur et qui cause proble?me. Avant, on l'appelait syste?me- expert et cela faisait toute la diffe?rence. Je pro?ne pour une IA e?thique, c'est-a?-dire inclusive, soutenable et responsable. Inclusive, cela veut dire qu'elle ne reproduit pas de ste?re?otypes ou de discriminations sociales ou culturelles. Pour qu'elle soit soutenable, l'algorithme de?veloppe? et la machine qui le fera tourner ne devront pas e?tre e?nergivores. Enfin, l'intelligence artificielle responsable doit viser le bien-e?tre de l'humanite?," Marco Landi.
04/2023
Programmation
Machine Learning et Python. Coffret en 2 volumes : Implémentation avec Sikit-Learn, 2e édition
Ces deux livres offrent au lecteur un maximum d'informations sur le Machine Learning et son implémentation avec la bibliothèque Python Sickit-Learn. 1095 pages par nos experts. Des éléments complémentaires sont en téléchargement sur le site www.editions-eni.fr. Un livre de la collection Expert IT Le Machine Learning avec Python - De la théorie à la pratique Extrait du résumé : Ce livre sur le Machine Learning avec le langage Python permet de disposer des connaissances théoriques nécessaires pour une compréhension approfondie du Machine Learning et d'appréhender les outils techniques utiles pour mettre en pratique les concepts étudiés. L'auteur y expose des exemples concrets sur les concepts de l'apprentissage automatique. Les lecteurs avertis trouveront dans ce livre une occasion d'aller plus loin dans leur compréhension des algorithmes du Machine Learning... Un livre de la collection Expert IT Machine Learning - Implémentation en Python avec Scikit-learn Extrait du résumé : Ce livre présente à des personnes non Data Scientists, et sans connaissances particulières en mathématiques, la méthodologie du Machine Learning, ses concepts, ses principaux algorithmes et l'implémentation de ceux-ci en Python avec Scikit-learn...
10/2022
Programmation
Collection de vases avec midjourney
Midjourney est un générateur d'images qui permet de créer des illustrations à partir d'un texte descriptif, en se basant sur l'intelligence artificielle et le machine learning. Dans cet ouvrage, nous vous proposons une sélection de 140 styles de vases pour vous montrer concrètement comment on obtient des images époustouflantes par l'écriture d'un prompt spécifique.
09/2023
Multimédia
180 styles artistiques pour midjourney
Midjourney est un générateur d'images qui permet de créer des illustrations à partir d'un texte descriptif, en se basant sur l'intelligence artificielle et le machine learning. Dans cet ouvrage, nous vous proposons une sélection de 180 styles artistiques pour vous montrer comment on obtient des images époustouflantes par l'écriture d'un prompt spécifique.
09/2023
Programmation
Python pour le data scientist. Des bases du langage au machine learning, 2e édition
Python est devenu en quelques années un langage majeur dans l'univers des applications centrées sur le traitement des données, et plus particulièrement des gros volumes de données (big data). Cet ouvrage servira de guide à tous ceux qui s'intéressent à l'utilisation de Python pour le travail sur les données et l'automatisation de certaines tâches (data science). Il met l'accent sur la préparation et la mise en forme des données qui sont essentielles dans la qualité du résultat et qui constituent aujourd'hui une part importante du travail du data scientist. Si vous vous intéressez au traitement des données avec le langage Python, cet ouvrage s'adresse à vous. Que vous soyez débutant en Python ou que vous ayez une expérience significative, il vous apportera les clés pour utiliser ce langage en data science. Ce livre répond à de nombreuses questions sur Python : Comment utiliser Python en data science ? Comment coder en Python ? Comment préparer des données avec Python ? Comment créer des visualisations attractives avec Python ? Comment appliquer des modèles de machine learning et de deep learning avec Python ? Comment passer aux environnements big data ? Vous apprendrez à tirer parti des multiples outils Python tels que Anaconda, Jupyter, NumPy, Pandas, Matplotlib, Seaborn, Bokeh, Scikit-Learn, TensorFlow, PySpark... pour mettre en place vos traitements. Cette deuxième édition est complétée et enrichie par des mises à jour de code liées aux évolutions de Python et des packages de data science. Des données plus récentes sont aussi utilisées. Les + en ligne : l'ensemble du code compris dans cet ouvrage est disponible sous la forme de notebooks Jupyter dans le repository public de l'auteur : github.com/emjako/pythondatascientist.
03/2021
