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
L’objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du deep learning et de vous montrer, grâce à de nombreux exemples de code accessibles en ligne, comment les mettre en pratique. La 3e édition de cet ouvrage de référence, très remaniée, tient compte des récentes avancées.
Au programme :
- Construire et entraîner de nombreuses architectures de réseaux de neurones pour classification et régression à l’aide de Keras et TensorFlow 2.
- Découvrir les mécanismes d’attention, les grands modèles de langage (LLM) tels que GPT-4, les réseaux antagonistes génératifs (GAN), les modèles de diffusion tels que DALL-E 2, la détection d’objets, la segmentation sémantique, etc.
- Explorer Keras, l’API officielle de haut niveau pour TensorFlow 2, désormais compatible également avec PyTorch et JAX.
- Entraîner de grands modèles à l’aide de TF Data, de l’API de stratégies de distribution, de TF Serving, de Keras Tuner, ou encore de la bibliothèque Transformers de Hugging Face.
- Passer à l’échelle supérieure sur la plateforme Google Vertex AI, ou déployer sur des appareils mobiles.
- Créer des agents d’apprentissage autonomes avec l’apprentissage par renforcement profond.
Tous les exemples de code sont disponibles en ligne sous la forme de notebooks Jupyter à l’adresse suivante : https://github.com/ageron/handson-ml3.
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
L’intelligence artificielle générative est le sujet en pointe dans le monde des hautes technologies, notamment grâce à ChatGPT.
Ce guide pratique s’adresse aux ingénieurs de l’apprentissage machine (machine learning) et aux data scientists qui veulent créer des modèles d’apprentissage profond (deep learning) génératifs en partant de zéro. Après une présentation des bases du deep learning, à vous les architectures de réseaux de neurones les plus sophistiquées !
Auto-encodeurs variationnels, réseaux antagonistes génératifs et systèmes d’entraînement du langage n’auront bien plus de secrets pour vous.
Ce livre explore toutes les potentialités du l’IA générative, en matière de texte, de musique ou d’image, ainsi que les perspectives qu’elle ouvre aux entreprises.
Éditions FIRST INTERACTIVE ; 480 pages.
3. L’apprentissage profond avec Python (François Chollet)
Disponible sur Amazon Disponible à la Fnac
L’apprentissage automatique a fait des progrès remarquables au cours des dernières années. Nous sommes passés d’une reconnaissance quasi inutilisable de la parole et des images à une précision quasi humaine, de machines qui ne pouvaient pas battre un joueur de Go un peu expérimenté à la défaite d’un champion du monde. Derrière ces progrès se cache l’apprentissage profond ― une combinaison d’avancées théoriques et pratiques qui permet une multitude d’applications intelligentes jusque-là impossibles à réaliser.
L’apprentissage profond avec Python présente le domaine de l’apprentissage profond en utilisant le langage Python et la puissante bibliothèque Keras. Rédigé par François Chollet, créateur de Keras et chercheur en intelligence artificielle à Google, cet ouvrage construit votre compréhension de l’apprentissage profond grâce à des explications intuitives et des exemples pratiques.
Vous explorerez des concepts et des pratiques stimulantes avec des applications de vision par ordinateur, de traitement du langage naturel et de modèles génératifs. Lorsque vous aurez terminé, vous aurez les connaissances et les compétences pratiques nécessaires pour appliquer l’apprentissage profond à vos propres projets.
Aucune expérience préalable de Keras, de TensorFlow ou d’apprentissage automatique n’est requise. Les lecteurs ont besoin de compétences Python intermédiaires.
Éditions MACHINELEARNING.FR ; 512 pages.
4. Deepmath – Mathématiques (simples) des réseaux de neurones (pas trop compliqués) (Arnaud Bodin, François Recher)
L’intelligence artificielle a fait d’énormes progrès grâce aux réseaux de neurones. Les ordinateurs jouent maintenant aux échecs, pilotent des voitures et détectent des maladies, souvent mieux que les humains !
Ce livre détaille les bases mathématiques qui se cachent derrière ces réseaux et vous explique comment programmer simplement des réseaux de neurones.
Chapitres :
- Dérivée
- Python : numpy et matplotlib avec une variable
- Fonctions de plusieurs variables
- Python : numpy et matplotlib avec deux variables
- Réseau de neurones
- Python : tensorflow avec keras – partie 1
- Gradient
- Descente de gradient
- Rétropropagation
- Python : tensorflow avec keras – partie 2
- Convolution : une dimension
- Convolution
- Convolution avec Python
- Convolution avec tensorflow/keras
- Tenseurs
- Probabilités.
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 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.
Éditions SCIENCE EBOOK ; 186 pages.
6. Introduction au deep learning (Eugene Charniak)
Disponible sur Amazon Disponible à la Fnac
Cet ouvrage s’adresse aux étudiants en fin de licence et en master d’informatique ou de maths appliquées, ainsi qu’aux élèves ingénieurs.
L’apprentissage profond (deep learning) a révolutionné l’intelligence artificielle et s’est très rapidement répandu dans de nombreux domaines d’activité. Grâce à une approche « orientée projet », ce livre a pour but d’expliquer les bases du deep learning, depuis les réseaux de neurones à propagation avant jusqu’aux réseaux non supervisés.
Conçu comme un manuel d’apprentissage synthétique, avec cours et exercices, il s’appuie sur des exemples dans des domaines comme la vision par ordinateur, la compréhension des langages naturels ou l’apprentissage par renforcement. Ces exemples sont étudiés avec le logiciel TensorFlow.
Les notions théoriques sont illustrées et complétées par une quarantaine d’exercices, dont la moitié sont corrigés.
Éditions DUNOD ; 176 pages.
7. Deep learning avec JavaScript – Réseaux de neurones dans TensorFlow.js (Collectif)
Disponible sur Amazon Disponible à la Fnac
Plongez au cœur du deep learning avec la nouvelle bibliothèque de Google Tensorflow.js pour JavaScript.
Tensorflow.js étend la bibliothèque de machine learning open source TensorFlow de Google à JavaScript pour entraîner et déployer des modèles d’apprentissage machine dans un navigateur. Accélérée par WebGL, la bibliothèque Tensorflow.js fonctionne également avec le runtime JavaScript côté serveur et fait partie de l’écosystème TensorFlow.
Cette librairie ouvre la porte à de nombreuses possibilités, puisqu’elle peut par exemple exploiter la webcam du navigateur. Et surtout, en mettant le Deep Learning à la portée des développeurs Javascript, il y a de fortes chances pour qu’elle contribue à une accélération de la diffusion du Deep Learning.
Au programme :
- TensorFlow.js, une introduction en douceur
- Pour commencer : Régression linéaire simple dans TensorFlow.js
- Ajouter de la non-linéarité : Aller au-delà des sommes pondérées
- Reconnaître les images et les sons à l’aide des réseaux de neurones convolutifs
- Apprentissage par transfert : Réutiliser des réseaux de neurones pré-entraînés
- Deep learning avancé avec TensorFlow.js – Travailler avec des données
- Visualiser des données et des modèles
- Sous-apprentissage, surapprentissage et flux de travail universel de l’apprentissage automatique
- Deep learning pour les séquences et le texte
- Les bases de l’apprentissage par renforcement profond
- Tester, optimiser et déployer les modèles.
Éditions FIRST INTERACTIVE ; 524 pages.
8. Le deep learning pour le traitement d’images (Daphné Wallach)
Disponible sur Amazon Disponible à la Fnac
Cet ouvrage s’adresse à toutes les personnes désireuses de comprendre et développer des applications de traitement d’images basées sur le deep learning. Il fournit non seulement une base théorique solide, mais également des informations très pratiques, des « trucs et astuces » et des exemples sous forme de scripts Python basés sur TensorFlow.
Après une introduction à l’intelligence artificielle, le matériel et les logiciels nécessaires à sa pratique sont détaillés. Suivent ensuite des explications progressives des réseaux de neurones convolutionnels, en décrivant tout d’abord les classifieurs linéaires, puis les réseaux de neurones profonds, et enfin les réseaux convolutionnels. Ces trois chapitres sont accompagnés de scripts Python utilisant TensorFlow, et suivis d’astuces pour améliorer la performance et limiter les biais potentiels du réseau et l’impact carbone lié à son apprentissage et son utilisation. L’apprentissage par transfert, qui consiste à adapter un réseau pré-entraîné à une nouvelle tâche, est ensuite présenté, et accompagné d’un exemple basé sur TensorFlow.
Les chapitres suivants décrivent les réseaux convolutionnels appliqués à d’autres tâches que la classification, comme la détection et la segmentation. Ces chapitres sont accompagnés de scripts présentant l’utilisation des bibliothèques TensorFlow Object Detection et de l’architecture Unet.
Le lecteur trouve une description de plusieurs méthodes permettant de visualiser le fonctionnement du réseau et d’améliorer son explicabilité, puis cet ouvrage explique pourquoi surveiller les performances d’un modèle après son déploiement, et comment organiser une telle surveillance en pratique. Le script accompagnant ce chapitre décrit le fonctionnement de la librairie tf_explain, qui implémente plusieurs des méthodes présentées.
Vient ensuite un exposé des critères définis par la Commission européenne pour juger qu’un modèle d’intelligence artificielle est « responsable », et une traduction de ces critères en bonnes pratiques à adopter lors du développement et du déploiement.
Enfin, le livre conclut avec des conseils pour améliorer vos compétences et vous tenir au courant des évolutions récentes dans le domaine de l’apprentissage profond appliqué au traitement d’images.
Éditions ENI ; 536 pages.
