Dernière sortie
Le Machine Learning et l'IA générative avec Python
Ce livre sur le Machine Learning et l'IA générative 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.
L'auteur commence par expliquer 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 les notions de modélisation d'un problème et de métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique en manipulant les bibliothèques Python NumPy et Pandas, ainsi que l'environnement Jupyter.
Il peut ainsi aborder sereinement les chapitres à venir, qui lui feront découvrir les concepts mathématiques, et la pratique sous-jacente, relatifs aux algorithmes du Machine Learning et de I'IAgénérative, tels que les statistiques pour la Data Science, les régressions linéaire, polynomiale ou logistique, les arbres de décision et Random forest, l'algorithme K-means, les machines à vecteurs de support (Support Vector Machine), l'analyse en composantes principales, les réseaux de neurones.
Le Deep Learning avec les Generative Adversarial Networks pour le développement de vos propres modèles de génération d'images réalistes. Les notions de Deep Learning sont mises en pratique avec TensorFlow, OpenCV et PyTorch dans les environnements Google Colab et VSCode. Pour conclure son apprentissage, le lecteur abordera le traitement automatique du langage (Natural Language Processing) et les concepts fondamentaux du Prompt Engineering.
L'auteur commence par expliquer 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 les notions de modélisation d'un problème et de métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique en manipulant les bibliothèques Python NumPy et Pandas, ainsi que l'environnement Jupyter.
Il peut ainsi aborder sereinement les chapitres à venir, qui lui feront découvrir les concepts mathématiques, et la pratique sous-jacente, relatifs aux algorithmes du Machine Learning et de I'IAgénérative, tels que les statistiques pour la Data Science, les régressions linéaire, polynomiale ou logistique, les arbres de décision et Random forest, l'algorithme K-means, les machines à vecteurs de support (Support Vector Machine), l'analyse en composantes principales, les réseaux de neurones.
Le Deep Learning avec les Generative Adversarial Networks pour le développement de vos propres modèles de génération d'images réalistes. Les notions de Deep Learning sont mises en pratique avec TensorFlow, OpenCV et PyTorch dans les environnements Google Colab et VSCode. Pour conclure son apprentissage, le lecteur abordera le traitement automatique du langage (Natural Language Processing) et les concepts fondamentaux du Prompt Engineering.
Ce livre sur le Machine Learning et l'IA générative 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.
L'auteur commence par expliquer 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 les notions de modélisation d'un problème et de métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique en manipulant les bibliothèques Python NumPy et Pandas, ainsi que l'environnement Jupyter.
Il peut ainsi aborder sereinement les chapitres à venir, qui lui feront découvrir les concepts mathématiques, et la pratique sous-jacente, relatifs aux algorithmes du Machine Learning et de I'IAgénérative, tels que les statistiques pour la Data Science, les régressions linéaire, polynomiale ou logistique, les arbres de décision et Random forest, l'algorithme K-means, les machines à vecteurs de support (Support Vector Machine), l'analyse en composantes principales, les réseaux de neurones.
Le Deep Learning avec les Generative Adversarial Networks pour le développement de vos propres modèles de génération d'images réalistes. Les notions de Deep Learning sont mises en pratique avec TensorFlow, OpenCV et PyTorch dans les environnements Google Colab et VSCode. Pour conclure son apprentissage, le lecteur abordera le traitement automatique du langage (Natural Language Processing) et les concepts fondamentaux du Prompt Engineering.
L'auteur commence par expliquer 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 les notions de modélisation d'un problème et de métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique en manipulant les bibliothèques Python NumPy et Pandas, ainsi que l'environnement Jupyter.
Il peut ainsi aborder sereinement les chapitres à venir, qui lui feront découvrir les concepts mathématiques, et la pratique sous-jacente, relatifs aux algorithmes du Machine Learning et de I'IAgénérative, tels que les statistiques pour la Data Science, les régressions linéaire, polynomiale ou logistique, les arbres de décision et Random forest, l'algorithme K-means, les machines à vecteurs de support (Support Vector Machine), l'analyse en composantes principales, les réseaux de neurones.
Le Deep Learning avec les Generative Adversarial Networks pour le développement de vos propres modèles de génération d'images réalistes. Les notions de Deep Learning sont mises en pratique avec TensorFlow, OpenCV et PyTorch dans les environnements Google Colab et VSCode. Pour conclure son apprentissage, le lecteur abordera le traitement automatique du langage (Natural Language Processing) et les concepts fondamentaux du Prompt Engineering.
Les livres de Madjid Khichane
49,00 €
77,90 €
39,00 €