Le deep learning, ou apprentissage profond en français, est une branche de l’intelligence artificielle qui s’inspire du fonctionnement du cerveau humain pour traiter des tâches complexes.
Contrairement à d’autres méthodes d’apprentissage automatique, le deep learning utilise des réseaux de neurones artificiels avec plusieurs couches interconnectées pour analyser et apprendre à partir de grandes quantités de données.
Ces réseaux de neurones imitent les connexions neuronales du cerveau humain, ce qui leur permet d’identifier des modèles et des caractéristiques dans les données, puis de les utiliser pour effectuer des prédictions ou prendre des décisions.
Les modèles de deep learning sont utilisés dans de nombreux domaines, notamment la reconnaissance d’images, la compréhension du langage, la traduction automatique, la reconnaissance vocale, etc.
Tour d’horizon des ouvrages de référence sur le sujet.
Voir aussi : livres sur le machine learning
1. Deep learning avec Keras et TensorFlow (Aurélien Géron)
Disponible sur Amazon Disponible à la Fnac
Aurélien Géron, dans cette 3e édition remaniée de son ouvrage de référence, vous guide pas à pas dans l’univers du deep learning. Grâce à de nombreux exemples de code accessibles en ligne, vous apprendrez à construire et entraîner diverses architectures de réseaux de neurones pour la classification et la régression, en utilisant Keras et TensorFlow 2.
Au fil des pages, vous explorerez les mécanismes d’attention, les grands modèles de langage (LLM) comme GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, ainsi que des techniques avancées comme la détection d’objets ou la segmentation sémantique.
L’auteur vous fera découvrir Keras, l’API officielle de haut niveau pour TensorFlow 2, désormais compatible avec PyTorch et JAX. Vous apprendrez à entraîner de grands modèles en utilisant TF Data, l’API de stratégies de distribution, TF Serving, Keras Tuner ou encore la bibliothèque Transformers de Hugging Face.
Enfin, vous verrez comment passer à l’échelle supérieure sur la plateforme Google Vertex AI, déployer vos modèles sur des appareils mobiles ou créer des agents d’apprentissage autonomes avec l’apprentissage par renforcement profond (deep reinforcement learning)
Éditions DUNOD ; 624 pages.
Cliquez sur les images pour voir un aperçu du livre
2. Deep learning génératif (David Foster)
Disponible sur Amazon Disponible à la Fnac
Les avancées fulgurantes de l’IA générative, symbolisées par ChatGPT, fascinent autant qu’elles inquiètent. Mais de quoi parle-t-on exactement ?
Dans cet ouvrage, David Foster lève le voile sur les modèles d’apprentissage profond génératifs. Après une mise en bouche consacrée aux bases du deep learning, il détaille avec minutie les architectures de réseaux de neurones les plus sophistiquées.
Auto-encodeurs variationnels, réseaux antagonistes génératifs, systèmes d’entraînement du langage : autant de concepts expliqués avec clarté et illustrés par de nombreux exemples concrets.
Ce livre explore également les applications de l’IA générative dans des domaines variés comme la génération de texte, de musique ou d’images. Une mine d’or pour les entreprises qui souhaitent tirer parti de cette technologie révolutionnaire.
Éditions FIRST INTERACTIVE ; 480 pages.
3. L’apprentissage profond avec Python (François Chollet)
Disponible sur Amazon Disponible à la Fnac
Vous souhaitez comprendre l’apprentissage profond et ses applications révolutionnaires ? Avec « L’apprentissage profond avec Python », François Chollet, chercheur en IA chez Google et créateur de la bibliothèque Keras, vous guide pas à pas.
Grâce à des explications limpides et des exemples concrets en Python, vous explorerez la vision par ordinateur, le traitement du langage naturel (NLP) et les modèles génératifs. Nul besoin d’être un expert : des compétences intermédiaires en Python suffisent pour appréhender les concepts clés (réseaux de neurones, CNN, RNN…).
Au fil des chapitres, vous découvrirez comment entraîner des modèles sur des données, évaluer leurs performances et les ajuster. Vous serez alors prêt à appliquer l’apprentissage profond à vos propres projets, pour des résultats bluffants !
Éditions MACHINELEARNING.FR ; 512 pages.
4. Deepmath – Mathématiques (simples) des réseaux de neurones (pas trop compliqués) (Arnaud Bodin, François Recher)
Arnaud Bodin et François Recher lèvent le voile sur les mathématiques qui sous-tendent les spectaculaires avancées de l’intelligence artificielle basée sur les réseaux de neurones. Leur ouvrage « Deepmath » vous offre une introduction progressive aux concepts fondamentaux, de la dérivée aux tenseurs en passant par les probabilités.
Chaque notion théorique est associée à des exemples concrets de programmation en Python, avec les bibliothèques numpy, matplotlib, tensorflow et keras. Vous apprendrez ainsi à mettre en pratique vos connaissances pour créer vos propres réseaux de neurones.
Que vous soyez néophyte curieux, étudiant en quête d’un support pédagogique ou professionnel souhaitant monter en compétence, ce livre est votre compagnon idéal pour une plongée au cœur des réseaux de neurones et de leurs applications fascinantes.
Autoédition ; 342 pages.
5. Comprendre le deep learning – Une introduction aux réseaux de neurones (Jean-Claude Heudin)
Disponible sur Amazon Disponible à la Fnac
Après la victoire retentissante d’AlphaGo au jeu de Go, le grand public a découvert le deep learning, une avancée majeure de l’intelligence artificielle. Mais comment fonctionnent ces fameux réseaux de neurones ?
Avec un ton pédagogique, Jean-Claude Heudin nous livre une introduction éclairante. Les concepts clés (perceptron, rétropropagation, apprentissage supervisé/non supervisé…) sont expliqués avec force illustrations et analogies. L’auteur décortique aussi les architectures phares : réseaux convolutifs pour la vision, réseaux récurrents pour le traitement du langage, etc.
Un livre idéal pour comprendre simplement les ressorts d’une technologie en plein boom !
Éditions SCIENCE EBOOK ; 186 pages.
6. Introduction au deep learning (Eugene Charniak)
Disponible sur Amazon Disponible à la Fnac
L’apprentissage profond a bouleversé l’intelligence artificielle et s’est imposé dans de multiples secteurs. Mais comment en comprendre les bases ? C’est tout l’objet de ce livre d’Eugene Charniak.
Au fil des pages, vous découvrirez les concepts essentiels, depuis les réseaux de neurones à propagation avant jusqu’aux réseaux non supervisés. L’auteur illustre ces notions théoriques par des exemples concrets, tirés de la vision par ordinateur, du traitement des langues naturelles ou encore de l’apprentissage par renforcement, en s’appuyant sur le logiciel TensorFlow.
Véritable manuel d’apprentissage synthétique, l’ouvrage propose cours et exercices (une quarantaine, dont la moitié corrigés), pour une approche résolument orientée projet. Que vous soyez étudiant en informatique, en mathématiques appliquées ou élève ingénieur, ce livre vous permettra de vous initier efficacement au deep learning.
Éditions DUNOD ; 176 pages.
7. Deep learning avec JavaScript – Réseaux de neurones dans TensorFlow.js (Collectif)
Disponible sur Amazon Disponible à la Fnac
Le deep learning est à la portée de tous les développeurs JavaScript grâce à Tensorflow.js ! Dans cet ouvrage, Shanqing Cai, Stanley Bileschi et Eric D. Nielsen vous apprennent à entraîner et déployer des modèles d’apprentissage machine directement dans le navigateur.
Maîtrisez d’abord les bases comme la régression linéaire. Puis découvrez comment reconnaître les images et les sons grâce aux CNN (réseaux de neurones convolutifs), réutiliser des réseaux pré-entraînés (apprentissage par transfert), travailler avec des données textuelles ou des séquences…
Des conseils pratiques pour tester, optimiser et déployer vos modèles complètent l’ensemble. Un must !
Éditions FIRST INTERACTIVE ; 524 pages.
8. Le deep learning pour le traitement d’images (Daphné Wallach)
Disponible sur Amazon Disponible à la Fnac
Vous souhaitez développer des applications de traitement d’images basées sur le deep learning ? Cet ouvrage de Daphné Wallach est fait pour vous !
Il pose d’abord les bases théoriques, puis fournit des informations pratiques, des astuces et des exemples en Python avec TensorFlow. Les réseaux de neurones convolutionnels (CNN) sont expliqués pas à pas : classifieurs linéaires, réseaux profonds, réseaux convolutionnels. Chaque chapitre est accompagné de scripts Python et de conseils pour améliorer les performances, limiter les biais et réduire l’empreinte carbone.
L’autrice aborde ensuite l’apprentissage par transfert et l’application des CNN à la détection et la segmentation, avec des exemples utilisant TensorFlow Object Detection et Unet. Elle présente des méthodes pour visualiser le fonctionnement du réseau, améliorer son explicabilité et surveiller ses performances après déploiement, illustrées par un script utilisant tf_explain.
Les critères d’une IA « responsable » selon la Commission européenne sont décryptés et traduits en bonnes pratiques. Pour finir, des conseils pour approfondir vos compétences et rester à la pointe dans ce domaine passionnant.
Éditions ENI ; 536 pages.
