Machine Learning avec Scikit-Learn - 3e éd.. Mise en oeuvre et cas concrets
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format PDF protégé est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
- Non compatible avec un achat hors France métropolitaine
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- Nombre de pages352
- FormatPDF
- ISBN978-2-10-086537-6
- EAN9782100865376
- Date de parution08/11/2023
- Copier CollerNon Autorisé
- Protection num.DRM
- Taille29 Mo
- ÉditeurDunod
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 3e édition 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
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
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 3e édition 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
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
