Revue de livres

MISC HS n° 018 | novembre 2018 | Reda Dehak
Creative Commons
  • Actuellement 0 sur 5 étoiles
0
Merci d'avoir participé !
Vous avez déjà noté cette page, vous ne pouvez la noter qu'une fois !
Votre note a été changée, merci de votre participation !
La littérature regorge de livres traitant le sujet de l’apprentissage automatique, le Machine Learning.

Cet ensemble de livres peut être décomposé en deux parties :

  • La première partie regroupe les livres traitant le sujet en abordant le côté pratique sans trop insister sur la théorie, ils misent sur la partie programmation en utilisant les différentes bibliothèques connues du domaine.
  • La deuxième partie moins connue chez les novices, mais reconnue comme des livres de référence du domaine chez les experts.

Nous allons essayer de mettre en lumière trois livres de référence dans le domaine de l’apprentissage automatique à travers cette petite revue. Ces livres abordent le côté théorique du domaine, pour la compréhension de leur contenu le lecteur devrait avoir un minimum de connaissance en mathématiques, probabilités et algèbre linéaire.

Pattern Recognition and Machine Learning

Malgré son ancienneté, ce livre reste une référence dans le domaine. Le contenu est très académique et destiné à des chercheurs ou des ingénieurs. Il aborde un large spectre de méthodes et techniques bayésiennes. Le contenu est autosuffisant, malheureusement, à cause de l’ancienneté, les résultats et méthodes récentes du domaine ne sont pas abordés ou très peu détaillés.

Note

Auteur : Christopher M. Bishop

Éditeur : Springer

Parution : 2006

Nombre de pages : 738

Prix : 74.85 €

The Elements of Statistical Learning: Data Mining Inference and Prediction

Le sujet de l’apprentissage automatique est abordé d’un point de vue statistique, ce livre est un excellent complément pour le Bishop. Des méthodes peu détaillées dans le Bishop comme le Boosting, le Bagging et les Random Forest sont très bien étudiées dans cet ouvrage. Cet ouvrage met l’accent sur les principaux problèmes statistiques liés à l’apprentissage automatique (dimensionnalité, biais, variance, etc.) qu’une grande majorité de débutants néglige en construisant leurs solutions.

Note

Auteur :Trévor Hastie, Robert Tibshirani et Jérome Friedman

Éditeur : Springer

Parution : 2009

Nombre de pages : 745

Prix : 56.99 €

Voir : https://web.stanford.edu/~hastie/ElemStatLearn/

Deep Learning

Ce livre se focalise sur l’une des techniques les plus répandues en ce moment à savoir les réseaux de neurones profonds (Deep Learning). Un rappel des notions de mathématiques, de l’algèbre linéaire, de l’optimisation ainsi que les bases de l’apprentissage automatique nécessaires à la compréhension de la suite sont présentés dans les cinq premiers chapitres. Le livre aborde les réseaux de neurones classiques, les versions profondes ainsi que les réseaux récurrents et les modèles génératifs. Vous trouverez l’ensemble des connaissances théoriques utilisées dans ce domaine. Pour une meilleure compréhension, l’étude de ce livre doit être accompagnée d’un livre pratique sur la programmation et l’application des réseaux de neurones profonds en utilisant l’une des bibliothèques spécialisées dans ce domaine : TensorFlow, Keras, Caffe, CNTK, PyTorch, Mxnet… comme par exemple le livre de Aurélien Géron [1].

Note

Auteur :Ian Goodfellow, Yoshua Bengio et Aaron Courville

Éditeur : The MIT press

Parution : 2016

Nombre de pages : 775

Prix : 74 €

Référence

[1]« Hands-On Machine Learning with Scikit-Learn and TensorFlow : Concepts, Tools, and Techniques to Build Intelligent Systems », Aurélien Géron, 2017