Le machine learning, ou apprentissage automatique en français, est une branche de l’intelligence artificielle qui consiste à enseigner aux ordinateurs à apprendre à partir de données. En d’autres termes, au lieu de dire à un ordinateur comment résoudre un problème, on lui montre des exemples et il apprend à résoudre le problème lui-même.
Le machine learning est aujourd’hui central dans de nombreux domaines, notamment la médecine, la finance, les sciences, et même dans notre vie quotidienne avec des applications comme les recommandations de produits en ligne, la reconnaissance vocale ou encore la conduite autonome des véhicules.
Tour d’horizon des ouvrages de référence sur le sujet.
Voir aussi : livres sur le deep learning
1. Le machine learning avec Python (Sarah Guido, Andreas C. Müller)
Disponible sur Amazon Disponible à la Fnac
Découvrez les coulisses du machine learning (apprentissage automatique) avec Python ! Sarah Guido et Andreas C. Müller, experts en la matière, vous guident pas à pas dans ce domaine en plein essor.
Traduction de problèmes complexes en modèles quantitatifs, algorithmes de traitement, représentation pertinente des données… Les auteurs vous dévoilent toutes les ficelles du métier. Validation, prototypage, mise en production : chaque étape est décortiquée avec soin.
Au fil des chapitres, vous explorerez l’apprentissage non supervisé, le préprocessing (prétraitement), sans oublier le travail sur des données textuelles. Un ouvrage de référence, aussi bien pour les développeurs, statisticiens que chefs de projet.
Éditions FIRST INTERACTIVE ; 384 pages.
Cliquez sur les images pour voir un aperçu du livre
2. Machine learning avec Scikit-learn (Aurélien Géron)
Disponible sur Amazon Disponible à la Fnac
Dans cette 3e édition, Aurélien Géron vous invite à découvrir les rouages du machine learning. Étape par étape, vous apprendrez à utiliser Scikit-Learn et Pandas pour créer vos propres systèmes d’apprentissage automatique.
L’auteur lève le voile sur le fonctionnement des algorithmes et explore avec vous différents modèles d’entraînement : SVM, arbres de décision, forêts aléatoires… Vous découvrirez également la puissance des méthodes ensemblistes et des techniques d’apprentissage non supervisées comme la réduction de dimensionnalité, la classification et la détection d’anomalies.
Les notebooks Jupyter, accessibles en ligne, vous offrent la possibilité de tester immédiatement les exemples de code fournis. Que vous soyez débutant ou confirmé, cet ouvrage est un guide précieux pour maîtriser le machine learning et l’intégrer dans vos projets. Une référence incontournable !
Éditions DUNOD ; 356 pages.
Cliquez sur les images pour voir un aperçu du livre
3. Machine learning avec R (Scott V. Burger)
Disponible sur Amazon Disponible à la Fnac
Le machine learning vous intéresse mais vous semble inaccessible ? Rassurez-vous, avec « Machine learning avec R », Scott V. Burger démystifie le sujet en vous offrant une introduction progressive et didactique.
Grâce au langage de programmation R, vous aborderez les algorithmes supervisés et non supervisés. La modélisation par régression linéaire, très utilisée en entreprise et dans le milieu scientifique, n’aura plus de secret pour vous. Vous pourrez ensuite passer à la vitesse supérieure avec les réseaux de neurones monocouches et multicouches.
L’auteur consacre également un chapitre aux modèles arborescents, en détaillant le fonctionnement des arbres de décision (decision trees). Tout au long de l’ouvrage, il partage son expérience à travers des exemples concrets pour faciliter votre montée en compétences.
Le package caret sera votre allié pour explorer l’écosystème du machine learning dans R. Vous serez ainsi parfaitement outillé pour traiter une grande variété de problèmes d’apprentissage automatique.
Éditions FIRST INTERACTIVE ; 260 pages.
Cliquez sur les images pour voir un aperçu du livre
4. The Hundred-page Machine Learning Book en français (Andriy Burkov)
« The Hundred-page Machine Learning Book » d’Andriy Burkov offre une introduction dense et accessible à l’apprentissage automatique.
En 150 pages, l’auteur passe en revue les concepts clés : algorithmes supervisés et non supervisés, apprentissage par renforcement, réduction de dimensionnalité, etc. Équations à l’appui, il expose avec concision les soubassements mathématiques de la discipline.
Mais la théorie ne fait pas tout. Burkov prodigue aussi des conseils avisés sur des aspects pratiques cruciaux : choix d’un modèle, optimisation des hyperparamètres, interprétation des résultats…
Un condensé remarquable, idéal pour s’initier ou se rafraîchir la mémoire.
Autoédition ; 200 pages.
5. Introduction au machine learning (Chloé-Agathe Azencott)
Disponible sur Amazon Disponible à la Fnac
« Introduction au machine learning » de Chloé-Agathe Azencott offre aux étudiants un socle de connaissances robuste pour s’initier à l’apprentissage automatique.
L’autrice expose avec clarté les concepts clés de cette discipline en plein essor : apprentissages supervisé et non supervisé, modèles linéaires, méthodes à noyaux, réseaux de neurones, etc. Outre ces bases théoriques, elle fournit une méthodologie pour mettre en pratique ces techniques (prétraitement des données, validation croisée, métriques d’évaluation…).
L’abondance d’exercices corrigés (85 au total) constitue un atout précieux pour s’entraîner.
Éditions DUNOD ; 272 pages.
6. Le machine learning avec Python pour les nuls (Luca Massaron, John Paul Mueller)
Disponible sur Amazon Disponible à la Fnac
L’intelligence artificielle (IA) est omniprésente dans notre quotidien. Mais comment y prendre part ? Luca Massaron et John Paul Mueller vous proposent un guide accessible pour apprivoiser le machine learning, pilier de l’IA.
Vous découvrirez d’abord les fondements du machine learning et ses multiples applications concrètes. Puis, vous plongerez dans l’univers de Python, langage phare de la data science. De la syntaxe de base (variables, structures de données…) à la programmation objet, en passant par la conception de programmes, ce livre couvre tous les aspects essentiels.
Une initiation progressive pour devenir acteur de la révolution de l’IA !
Éditions POUR LES NULS ; 716 pages.
7. Le machine learning avec Python – De la théorie à la pratique (Madjid Khichane)
Disponible sur Amazon Disponible à la Fnac
« Le machine learning avec Python » de Madjid Khichane est un ouvrage complet pour quiconque souhaite maîtriser l’apprentissage automatique, des fondements théoriques à la mise en pratique.
L’auteur expose avec clarté les concepts clés du machine learning (modélisation, métriques de performance…) et de la data science. Il guide ensuite le lecteur dans la manipulation des bibliothèques Python incontournables (NumPy, Pandas…) et de l’environnement Jupyter.
Fort de ces bases solides, le lecteur peut alors explorer en profondeur une pléthore d’algorithmes : régressions (linéaire, polynomiale, logistique), arbres de décision, SVM, réseaux de neurones, etc. Un manuel exhaustif pour exceller en machine learning !
Éditions ENI ; 770 pages.
8. Machine learning – Implémentation en Python avec Scikit-learn (Virginie Mathivet)
Disponible sur Amazon Disponible à la Fnac
Vous souhaitez découvrir le machine learning sans bagage mathématique poussé ? Ce livre de Virginie Mathivet est fait pour vous !
Au fil des pages, vous explorerez la méthodologie CRISP étape par étape : compréhension métier, analyse des données (statistiques, visualisations), techniques de préparation… Chaque phase est décortiquée avec pédagogie.
Classification, régression, prédiction, clustering… Les principales tâches de machine learning sont passées au crible. Vous apprendrez les critères d’évaluation, les fondements algorithmiques et leur mise en œuvre pratique avec Scikit-learn.
Le livre s’appuie sur des jeux de données emblématiques : fleurs d’Iris, prix de l’immobilier à Boston, survie sur le Titanic… Autant de cas concrets pour assimiler les concepts. Les notebooks Jupyter, disponibles en téléchargement, vous permettront de reproduire les exemples pas à pas.
Éditions ENI ; 400 pages.
