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.
Le Machine Learning et l'IA générative avec Python - De la théorie à la pratique (2e édition)
ENI - EAN : 9782409050015
Édition papier
EAN : 9782409050015
Paru le : 11 juin 2025
39,00 €
36,97 €
Bientôt disponible
Pour connaître votre prix et commander, identifiez-vous
A paraître 11 juin 2025
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 : 9782409050015
- Réf. éditeur : EIHS-2MLPYT
- Collection : EXPERT IT
- Editeur : ENI
- Date Parution : 11 juin 2025
- Disponibilite : Pas encore paru
- Nombre de pages : 400
- Format : H:216 mm L:178 mm E:21 mm
- Poids : 670gr
-
Résumé :
Préface de Patrick Albert – Cofondateur d'ILOG et du HUB France IA
Ce livre sur le Machine Learning et l'IA générative avec le langage Python permet de disposer des connaissances théoriques nécessaires pour une compréhension approfondie du Machine Learning et d’appréhender les outils techniques utiles pour mettre en pratique les concepts étudiés. L’auteur y expose des exemples concrets sur les concepts de l’apprentissage automatique. Les lecteurs avertis trouveront dans ce livre une occasion d’aller plus loin dans leur compréhension des algorithmes du Machine Learning.
L’auteur commence par expliquer les enjeux de la Data Science ainsi que les notions fondamentales du Machine Learning avant de présenter la démarche théorique d'une expérimentation en Data Science avec les notions de modélisation d'un problème et de métriques de mesure de performances d'un modèle.
Le lecteur peut ensuite passer à la pratique en manipulant les bibliothèques Python NumPy et Pandas, ainsi que l’environnement Jupyter. Il peut ainsi aborder sereinement les chapitres à venir, qui lui feront découvrir les concepts mathématiques, et la pratique sous-jacente, relatifs aux algorithmes du Machine Learning et de l'IA générative, tels que les statistiques pour la Data Science, les régressions linéaire, polynomiale ou logistique, les arbres de décision et Random Forest, l’algorithme K-means, les machines à vecteurs de support (Support Vector Machine), l’analyse en composantes principales, les réseaux de neurones. Le Deep Learning avec les Generative Adversarial Networks pour la génération d'images réalistes est également étudié et mis en pratique avec TensorFlow, OpenCV et PyTorch dans les environnements Google Colab et VSCode.
Pour conclure son apprentissage, le lecteur abordera le traitement automatique du langage (Natural Language Processing) et les concepts fondamentaux du Prompt Engineering.
Des éléments complémentaires sont en téléchargement sur le site www.editions-eni.fr.
