Les 5 meilleurs livres sur le deep learning

Les 5 meilleurs livres sur le deep learning

Cet article vous présente une sélection de 5 des meilleurs livres sur le deep learning.


1. Deep Learning (Yoshua Bengio)

Deep Learning Yoshua Bengio

Disponible sur Amazon

Une introduction à un large éventail de sujets liés à l’apprentissage profond ou deep learning, couvrant les bases mathématiques et conceptuelles, les techniques de deep learning utilisées dans l’industrie et les perspectives de recherche.

Le deep learning est une forme d’apprentissage automatique qui permet aux ordinateurs d’apprendre de l’expérience et de comprendre le monde en termes de hiérarchie de concepts. Étant donné que l’ordinateur tire des connaissances de son expérience, un opérateur humain n’a pas besoin de spécifier formellement toutes les connaissances dont l’ordinateur a besoin.

La hiérarchie des concepts permet à l’ordinateur d’apprendre des concepts complexes en les construisant à partir de concepts plus simples. un graphe de ces hiérarchies aurait plusieurs couches de profondeur. Ce livre présente un large éventail de sujets de deep learning.

Le texte offre un contexte mathématique et conceptuel, couvrant des concepts pertinents en algèbre linéaire, théorie des probabilités et théorie de l’information, calcul numérique et apprentissage automatique. Il décrit les techniques de deep learning utilisées par les praticiens de l’industrie, y compris les réseaux à anticipation approfondis, la régularisation, les algorithmes d’optimisation, les réseaux convolutionnels, la modélisation de séquence et la méthodologie pratique;

Il passe en revue des applications telles que le traitement du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bioinformatique et les jeux vidéo.

Enfin, le livre offre des perspectives de recherche couvrant des sujets théoriques tels que les modèles à facteurs linéaires, les auto-encodeurs, l’apprentissage par la représentation, les modèles probabilistes structurés, les méthodes de Monte Carlo, la fonction de partition, l’inférence approximative et les modèles génératifs profonds.

Le deep learning peut être utilisé par les étudiants de premier cycle ou des cycles supérieurs qui planifient une carrière dans l’industrie ou la recherche, ainsi que par les ingénieurs en logiciel qui souhaitent commencer à utiliser le deep learning dans leurs produits ou leurs plates-formes.

À propos de l’auteur

Yoshua Bengio est un chercheur canadien spécialiste en intelligence artificielle, et pionnier de l’apprentissage profond. Il est professeur au Département d’informatique et de recherche opérationnelle de l’Université de Montréal.


2. L’apprentissage profond (Ian Goodfellow, Yoshua Bengio, Aaron Courville)

L’apprentissage profond Ian Goodfellow Yoshua Bengio Aaron Courville

Disponible sur Amazon Disponible à la Fnac

Le livre de chevet de Elon Musk.

Écrit par trois experts dans le domaine, Deep Learning est le seul livre complet sur le sujet. Il fournit une perspective générale et des préliminaires mathématiques indispensables aux ingénieurs en logiciel et aux étudiants qui entrent sur le terrain, et sert de référence aux autorités. Elon Musk, cofondateur et PDG de Tesla et SpaceXstudents

L’apprentissage profond (ou deep learning) est un apprentissage automatique qui permet à l’ordinateur d’apprendre par l’expérience et de comprendre le monde en termes de hiérarchie de concepts. Parce que l’ordinateur recueille des connaissances à partir de l’expérience, il n’est pas nécessaire qu’un opérateur humain spécifie formellement toutes les connaissances dont l’ordinateur a besoin. Cet ouvrage présente un large éventail de sujets d’apprentissage profond.

Le texte offre un contexte mathématique et conceptuel, théorie des probabilités et théorie de l’information, calcul numérique et apprentissage automatique. Il examine des applications telles que le traitement du langage naturel, la reconnaissance vocale, la vision par ordinateur, les systèmes de recommandation en ligne, la bioinformatique et les jeux vidéo.

Deep Learning, sorti fin 2016 aux éditions MIT Press se révèle fondamental pour éclairer de nombreux lecteurs au paradigme informatique et mathématique de l’apprentissage profond (ou deep learning), qui constitue aujourd’hui l’une des composantes fondamentales des intelligences artificielles (IA) dites statistiques et néo-connexionnistes.

Son caractère pédagogique en fait un ouvrage de référence dans le monde pour les étudiants, professeurs, ingénieurs, chercheurs de tout domaine et fait l’objet de nombreuses demandes en France, pays épris de tradition mathématique, et dans de nombreux pays et nations francophones accueillant des laboratoires de pointe en intelligence artificielle (tel le Québec).

La traduction opérée dans un premier temps par l’intelligence artificielle a été ensuite validée grâce au concours de chercheurs-traducteurs reconnus dans le domaine de l’apprentissage.

À propos de l’auteur

Ian J. Goodfellow est un chercheur travaillant dans l’apprentissage automatique, actuellement employé par Apple Inc. en tant que directeur de l’apprentissage automatique dans le groupe des projets spéciaux. Auparavant, il était chercheur chez Google Brain.

Yoshua Bengio est un chercheur canadien spécialiste en intelligence artificielle, et pionnier de l’apprentissage profond. Il est professeur au Département d’informatique et de recherche opérationnelle de l’Université de Montréal.

Aaron Courville explore le développement de modèles et de méthodes d’apprentissage profond. Il s’intéresse particulièrement au développement de modèles probabilistes et de méthodes d’inférence novatrices.


3. Comprendre le Deep Learning – Une introduction aux réseaux de neurones (Jean-Claude Heudin)

Comprendre le Deep Learning – Une introduction aux réseaux de neurones Jean Claude Heudin

Disponible sur Amazon Disponible à la Fnac

Après des résultats spectaculaires, dont la victoire d’AlphaGo sur le meilleur joueur mondial de Go, le Deep Learning suscite autant d’intérêts que d’interrogations. Inspiré au départ par une métaphore biologique, celle du cerveau, le domaine des réseaux de neurones est devenu l’un des principaux axes de recherche de l’intelligence artificielle. Quel que soit le secteur d’activité, pas un seul en effet ne semble échapper aux applications du Deep Learning.

Quels sont les principes des réseaux de neurones ? Comment fonctionnent-ils ? Quand et pourquoi les utiliser ? Sont-ils simples à mettre en œuvre ? Qu’est-ce qu’on entend réellement par Deep Learning ?

Jean-Claude Heudin propose avec ce livre de répondre à ces questions. Dans un style direct et richement illustré, les explications sont abordables par le plus grand nombre, avec une mise en pratique au travers d’exemples.

Pour comprendre le Deep Learning, nul besoin ici d’un fort niveau en mathématiques. Les principes de calcul sont réduits à des opérations simples et les exemples de programmation sont accessibles.

Ce livre s’adresse à tous ceux qui souhaitent comprendre concrètement les enjeux du Deep Learning.

À propos de l’auteur

Jean-Claude Heudin est directeur de l’Institut de l’Internet du Multimédia. Il est l’auteur de nombreux articles scientifiques au niveau international ainsi que de plusieurs ouvrages dans les domaines de l’intelligence artificielle et des sciences de la complexité, dont Les créatures artificielles et Robots & Avatars aux éditions Odile Jacob, Les 3 lois de la robotique aux éditions Science eBook.

Il intervient régulièrement dans les médias et dans les conférences grand public à propos de l’intelligence artificielle et des robots.


4. Deep Learning avec TensorFlow – Mise en œuvre et cas concrets (Aurélien Géron)

Deep Learning avec TensorFlow – Mise en oeuvre et cas concrets Aurélien Géron

Disponible sur Amazon Disponible à la Fnac

Cet ouvrage, conçu pour tous ceux qui souhaitent s’initier au Deep Learning (apprentissage profond) est la traduction de la deuxième partie du best-seller américain Hands-On Machine Learning with Scikit-Learn & TensorFlow.

Le Deep Learning est récent et il évolue vite. Ce livre en présente les principales techniques : les réseaux de neurones profonds, capables de modéliser toutes sortes de données, les réseaux de convolution, capables de classifier des images, les segmenter et découvrir les objets ou personnes qui s’y trouvent, les réseaux récurrents, capables de gérer des séquences telles que des phrases, des séries temporelles, ou encore des vidéos, les autoencodeurs qui peuvent découvrir toutes sortes de structures dans des données, de façon non supervisée, et enfin le Reinforcement Learning (apprentissage par renforcement) qui permet de découvrir automatiquement les meilleures actions pour effectuer une tâche (par exemple un robot qui apprend à marcher).

Ce livre présente TensorFlow, le framework de Deep Learning créé par Google. Il est accompagné de notebooks Jupyter (disponibles sur github) qui contiennent tous les exemples de code du livre, afin que le lecteur puisse facilement tester et faire tourner les programmes.

Il complète un premier livre intitulé Machine Learning avec Scikit-Learn.

À propos de l’auteur

Consultant en Machine Learning. Ex-Googler, il a mené l’équipe de classification des vidéos de YouTube de 2013 à 2016. Auparavant, il avait cofondé en 2001 la société de conseil Polyconseil, puis en 2002 la société Wifirst.

Il a été consultant dans de nombreux domaines: de la santé (transfusion sanguine) aux télécoms (SFR, Bolloré Télécom), en passant par la finance (JP Morgan et la Société Générale) et la défense (le département de défense du Canada).


5. Deep learning en action – Une approche par la pratique (Adam Gibson, Josh Patterson)

Deep learning en action – Une approche par la pratique Adam Gibson Josh Patterson

Disponible sur Amazon Disponible à la Fnac

Ce livre a été écrit pour tous ceux qui souhaitent s’initier au Deep Learning (apprentissage profond). Il est la suite logique du titre  » Le Machine learning avec Python » paru en février 2018.

Le Deep Learning est une technologie nouvelle qui évolue très rapidement. Ce livre en présente les bases principales de cette technologie. Au cœur de celle-ci on trouve les réseaux de neurones profonds, permettant de modéliser tous types de données et les réseaux de convolution, capables de traiter des images.

Et enfin, cette technologie de plus en plus utilisée dans les applications d’intelligence artificielle introduit le notion de Reinforcement Learning (apprentissage par renforcement) qui permet d’optimiser les prises de décision par exemple pour le fonctionnement d’un robot.

Au programme :

  1. La genèse du Deep Learning
  2. Les réseaux de neurones
  3. Les bases des réseaux de type Deep learning
  4. L’architecture réseau
  5. Créer un réseau type
  6. Adapter le réseau à des besoins propres
  7. Les architectures spécifiques
  8. La vectorisation
  9. Le Deep Learning et DL4J sur Spark
  10. Au cœur de l’intelligence artificielle
  11. RL4J et Reinforcement Learning

À propos de l’auteur

Josh Patterson est directeur de l’ingénierie pour la société Skymind spécialisée dans les technologies Deep Learning.

Adam Gibson est directeur de Skymind. Il a travaillé pour les sociétés Fortune 500, PR Films et pour différentes startups afin de leur déployer des solutions Deep Learning.

error: Contenu protégé