Machine learning avec scikit-learn - 3e éd.

Vue d’ensemble du Machine Learning.  Qu’est-ce que l’apprentissage automatique ? Pourquoi utiliser l’apprentissage automatique ? Exemples d’applications. Types de systèmes d’apprentissage automatique. Principales difficultés de l’apprentissage automatique. Test et validation. Exercices. Un projet de Machine Learning de bout en bout. Travailler avec des données réelles. Prendre du recul pour une vision d’ensemble. Récupérer les données. Explorer et visualiser les données pour mieux les comprendre. Préparer les données pour les algorithmes d’apprentissage automatique. Sélectionner et entraîner un modèle. Régler avec précision votre modèle. Lancer, surveiller et maintenir votre système. Essayez ! Exercices. Classification. MNIST. Entraînement d’un classificateur binaire. Mesures de performance. Classification multi-classes. Analyse des erreurs. Classification multi-étiquettes. Classification multi-sorties. Exercices. Entraînement de modèles. Régression linéaire. Descente de gradient. Régression polynomiale. Courbes d’apprentissage. Modèles linéaires régularisés. Régression logistique. Exercices. Machines à vecteurs de support. Classification SVM linéaire. Classification SVM non linéaire. Régression SVM. Sous le capot des classificateurs SVM linéaires. Exercices. Arbres de décision. Entraîner et visualiser un arbre de décision. Effectuer des prédictions. Estimation des probabilités des classes. Algorithme d’entraînement CART. Complexité algorithmique. Impureté de Gini ou entropie ?. Hyperparamètres de régularisation. Régression. Sensibilité à l'orientation des axes. Arbres de décision ayant une varianceélevée. Exercices.  Apprentissage d’ensemble et forêts aléatoires. Classificateurs par vote. Bagging et pasting. Parcelles aléatoires et sous-espaces aléatoires. Forêts aléatoires. Boosting. Stacking. Exercices. Réduction de dimension. Le fléau de la dimension. Principales approches de la réduction de dimension. PCA. Projection aléatoire. LLE. Autres techniques de réduction de dimension. Exercices.  Techniques d’apprentissage non supervisé. Partitionnement. Mélanges gaussiens. Exercices.