Machine Learning

L’apprentissage profond avec Python (version française de Deep Learning with Python des éditions Manning) présente l’apprentissage automatique (Machine Learning) et développe de manière exhaustive l’apprentissage profond (Deep Learning). Ce livre utilise le langage Python et la puissante bibliothèque Open Source Keras. Rédigé par François Chollet, créateur de Keras et chercheur en intelligence artificielle, ce livre est un ouvrage de référence.

Que disent nos lecteurs ? Le livre vient juste de paraître en français, mais il y a déjà quelques retours sur LinkedIn. En revanche, de nombreux tweets de lecteurs sur la version US !

Pourquoi ce livre ? Lisez d’abord la page de Pourquoi choisir Keras et vous comprendrez pourquoi il est important de lire ce livre :

• réaliser des prototypes extrêmement rapidement ;
• manipuler avec simplicité des topologies de graphes complexes avec multi-entrées et multi-sorties ;
• disposer d’exemples de code immédiatement disponibles et opérationnels ;
• démonter tous les concepts complexes du Deep Learning grâce à une livre rédigé par l’auteur de la Keras.

Aucune expérience préalable de Keras, de TensorFlow ou d’apprentissage automatique (Machine Learning) n’est requise. Cependant, les lecteurs ont besoin de compétences Python intermédiaires de préférence.

Le livre est immédiatement disponible à la librairie Eyrolles à Paris, sur le site Eyrolles, sur le site de FNAC+, Cultura, Chapitre ou chez votre libraire préféré en indiquant l’ISBN 978-2-491674-00-7.

Un livre qui permet d’assimiler rapidement le vocabulaire anglais et français du Machine Learning, du Deep Learning et du langage Python

Ce livre est simple à comprendre, progressif, des notions élémentaires aux techniques les plus avancées, en français avec les mots anglais d’origine entre parenthèses :

[…] L’apprentissage automatique (machine learning), l’apprentissage profond (deep learning) et l’intelligence artificielle (artificial intelligence) apparaissent dans d’innombrables articles, souvent en dehors de publications axées sur la technologie. […]

L’application de la règle de la dérivation en chaîne au calcul des valeurs du gradient d’un réseau de neurones, correspond à un algorithme appelé la rétropropagation du gradient (également appelée backpropagation ou reverse-mode differentiation).[…]

Il y a deux façons de définir un modèle : soit en utilisant la classe Sequential (uniquement pour des piles linéaires de couches ce qui est, de loin, l’architecture de réseau la plus courante) ; soit en utilisant l’API Fonctionnelle (functional API) (utilisée pour des graphes orientés acycliques de couches (directed acyclic graphs of layers), ce qui vous permet de construire des architectures complètement quelconques). […]

Un livre de Deep Learning en Python, simple à lire, mais avec un haut niveau d’exigence

En quelques clics, vous téléchargez la puissante bibliothèque d’apprentissage profond Keras. Enfin, vous êtes prêt à démarrer la lecture de ce livre. Par les mots de son auteur François Chollet :

Le livre que vous avez entre les mains est une nouvelle étape vers la mise à disposition de l’apprentissage profond au plus grand nombre. Keras a toujours eu besoin d’un cours d’accompagnement afin de couvrir simultanément les bases de l’apprentissage profond, les modes d’utilisation de Keras et les meilleures pratiques de l’apprentissage profond. Cet ouvrage est ce que j’ai accompli de plus élaboré pour atteindre cet objectif. Je l’ai écrit en mettant l’accent sur la nécessité de rendre l’apprentissage profond, ses concepts sous-jacents et sa mise en oeuvre aussi abordables que possible. Pour ce faire, il n’a pas été nécessaire d’abaisser le niveau d’exigence — je suis convaincu qu’il n’y a pas de réelles difficultés dans l’apprentissage profond. J’espère que vous trouverez ce livre profitable, et qu’il vous permettra de développer des applications intelligentes et de résoudre des problèmes qui vous tiennent à coeur.

Un livre de Deep Learning qui simplifie la lecture de la programmation Python

Vous maîtrisez la programmation en Python grâce à des lignes de code en couleur qui facilitent votre compréhension :

Un contenu ambitieux qui présente le Machine Learning et le Deep Learning

Dans les premiers chapitres, vous découvrez progressivement toutes les notions élémentaires de l’apprentissage automatique (Machine Learning) et de l’apprentissage profond (Deep Learning). À savoir :

• L’intelligence artificielle, l’apprentissage automatique et l’apprentissage profond
• Avant l’apprentissage profond, une brève histoire de l’apprentissage automatique
• Pourquoi l’apprentissage profond ? Pourquoi maintenant ?
• Les notions mathématiques des réseaux de neurones (sans formule, ni calcul)
• La mise en oeuvre des réseaux de neurones sur des cas concrets
• Les principes fondamentaux de l’apprentissage automatique :
  • les quatre branches de l’apprentissage automatique
  • l’évaluation des modèles d’apprentissage automatique
  • le prétraitement des données
  • l’extraction des caractéristiques et l’apprentissage des caractéristiques
  • le sur-ajustement et le sous-ajustement
  • le déroulement universel des tâches de l’apprentissage automatique

Dans les derniers chapitres, vous développez des applications dignes des plus grandes compétitions du site Kaggle ! Finalement, vous abordez des thèmes de recherche en toute simplicité. À savoir :

• La pertinence de l’apprentissage profond pour des problèmes avec peu de données d’apprentissage
• L’entraînement d’un ConvNet à partir de zéro sur un petit jeu de données
• L’utilisation d’un ConvNet pré-entraîné
• La visualisation des représentations apprises par les ConvNet
• L’inspection et la surveillance des modèles à l’aide des callbacks de Keras et de TensorBoard
• Au-delà du modèle séquentiel : l’API Fonctionnelle de Keras
• L’utilisation avancée des réseaux de neurones récurrents
• Le traitement des données textuelles et des séquences
• Le traitement des séquences avec des réseaux ConvNet
• La génération de texte avec un LSTM
• L’algorithme DeepDream
• Le transfert de style neuronal
• La génération d’images avec des auto-encodeurs variationnels
• L’introduction aux réseaux génératifs antagonistes
• L’avenir de l’apprentissage profond
• Les limites de l’apprentissage profond
• et enfin, comment rester toujours à jour dans un domaine en évolution rapide!

512 pages en couleur largement illustrées pour comprendre le fonctionnement des algorithmes de Machine Learning et de Deep Learning

Un auteur qui est un ingénieur et un chercheur renommé en apprentissage profond (Deep Learning)

François Chollet est un ingénieur et un chercheur en apprentissage profond chez Google à Mountain View, en Californie aux États-Unis. En 2015, il a créé la bibliothèque d’apprentissage profond Keras. Par ailleurs, il est un contributeur actif à la bibliothèque logicielle d’apprentissage automatique TensorFlow. François Chollet est spécialisé dans la vision par ordinateur et les applications de l’apprentissage automatique au raisonnement formel. Ses articles sont publiés dans les plus grandes conférences du domaine, notamment CVPR, NeurIPS, ICLR et bien d’autres.

Un livre pensé dès sa conception pour minimiser son impact écologique

En effet, le papier du livre a la certification PEFC (Programme for the Endorsement of Forest Certification), les encres et techniques d’impression ont le label Imprim’Vert. Le Livre est imprimé en Région Centre-Val de Loire. Une compensation volontaire de 3 kg de carbone par ouvrage imprimé (pesant 1,250kg) est versée à la Fondation GoodPlanet. Machinelearning.fr s’engage pour la transition écologique vers le développement durable.