Traitement en cours...
Fermer la notification

Le saviez-vous ?

SIDE a travaillé avec ses fournisseurs pour rendre ses colis respectueux de l'environnement.
Fini le plastique !
Le ruban adhésif qui sécurise la fermeture de nos colis et les chips de calage qui immobilisent les livres dans les cartons sont en matériaux recyclables et biodégradables.

Afficher la notification

Machine Learning avec Scikit-Learn - 3e éd.

Géron Aurélien
Date de parution 08/11/2023
EAN: 9782100847686
Disponibilité Disponible chez l'éditeur
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 con... Voir la description complète
Nom d'attributValeur d'attribut
Common books attribute
ÉditeurDUNOD
Nombre de pages356
Langue du livreFrançais
AuteurGéron Aurélien
FormatPaperback / softback
Type de produitLivre
Date de parution08/11/2023
Poids562 g
Dimensions (épaisseur x largeur x hauteur)2,20 x 17,00 x 24,00 cm
Mise en oeuvre et cas concrets
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