Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
MACHINE LEARNING AVEC SCIKIT-LEARN - 3E ED. - MISE EN OEUVRE ET CAS CONCRETS
Dunod - EAN : 9782100847686
Édition papier
EAN : 9782100847686
Paru le : 8 nov. 2023
39,00 €
36,97 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9782100847686
- Réf. éditeur : 7998999
- Editeur : Dunod
- Date Parution : 8 nov. 2023
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 356
- Format : 2.20 x 17.00 x 24.00 cm
- Poids : 562gr
-
Résumé :
L’apprentissage automatique (Machine Learning) est aujourd’hui en pleine explosion. Mais de quoi s’agit-il exactement, et comment pouvez-vous le mettre en oeuvre dans vos propres projets ?
La 3eédition de cet ouvrage de référence vous explique les concepts fondamentaux du Machine Learning et vous apprend à maîtriser les outils qui vous permettront de créer vous-même des systèmes capables d’apprentissage automatique.
Vous apprendrez ainsi à utiliser Scikit-Learn, un outil open source très simple et néanmoins très puissant que vous pourrez mettre en place dans vos systèmes en production.- Apprendre les bases du Machine Learning en suivant pas à pas toutes les étapes d’un projet utilisant Scikit-Learn et Pandas.
- Ouvrir les boîtes noires pour comprendre comment fonctionnent les algorithmes.
- Explorer plusieurs modèles d’entraînement, notamment les machines à vecteur de support (SVM).
- Comprendre le modèle des arbres de décision et celui des forêts aléatoires, et exploiter la puissance des méthodes ensemblistes.
- Exploiter des techniques d’apprentissage non supervisées telles que la réduction de dimensionnalité, la classification et la détection d’anomalies.
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 -
Biographie :
Aurélien Géron est 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 Telecom), en passant par la finance (JP Morgan et Société Générale) et la défense (ministère de la Défense nationale du Canada).
Il a également enseigné en écoles d’ingénieurs.
