Description
Apprentissage Machine Probabiliste : Une Introduction propose une introduction détaillée et à jour à l'apprentissage machine, y compris l'apprentissage profond, à travers le prisme unificateur de la modélisation probabiliste et de la théorie de la décision bayésienne. Le livre couvre les bases mathématiques essentielles, y compris l'algèbre linéaire et l'optimisation, et explore des techniques d'apprentissage supervisé de base telles que la régression linéaire et logistique, ainsi que les réseaux de neurones profonds. Des sujets plus avancés, y compris l'apprentissage par transfert et l'apprentissage non supervisé, sont également abordés.
Lire la suite
Les exercices de fin de chapitre permettent aux étudiants d'appliquer ce qu'ils ont appris, renforçant ainsi leur compréhension du matériel. Un appendice fournit un aperçu complet de la notation utilisée tout au long du texte. Ce livre n'est pas simplement une mise à jour du précédent travail de l'auteur, Apprentissage Machine : Une Perspective Probabiliste, mais plutôt un texte complètement nouveau qui reflète les développements significatifs dans le domaine depuis 2012, en particulier dans l'apprentissage profond.
Accompagnant le livre, un code Python en ligne utilise des bibliothèques telles que scikit-learn, JAX, PyTorch et TensorFlow. Ce code permet aux lecteurs de reproduire presque toutes les figures présentées dans le livre, et il peut être exécuté dans un navigateur web à l'aide de notebooks basés sur le cloud. Cette ressource pratique complète les sujets théoriques discutés, en faisant un outil inestimable pour les apprenants.
Écrit par Kevin P. Murphy, un scientifique de recherche chez Google, ce livre s'adresse aux étudiants et aux professionnels intéressés par l'intelligence artificielle et l'apprentissage machine. Il sert de texte d'introduction qui sera suivi d'une suite couvrant des sujets plus avancés, tout en maintenant la même approche probabiliste.
- CatégorieAutres outils IA
Détails du livre
Auteur : Kevin P. Murphy
Année de publication : 2022
Pages : 864
Formats disponibles : Relié, eBook
Éditeur : The MIT Press
ISBN : 9780262046824
ISBN eBook : 9780262369305
Série : Computation Adaptative et Apprentissage Machine
À qui s'adresse ce livre
- Apprentissage de l'Apprentissage Machine
- Applications de l'Apprentissage Profond
- Modélisation Probabiliste
- Ressource Éducative
- Codage Pratique
