Des fondamentaux aux techniques avancées
L'apprentissage automatique a connu une expansion fulgurante ces dernières années. Les experts du secteur estiment que l'impact de l'apprentissage automatique, et plus largement de l'intelligence artificielle, sur l'humanité sera comparable à celui d'Internet ou du microprocesseur.
Si vous êtes intéressé par l'apprentissage du Machine Learning, vous êtes au bon endroit. Cet article est un guide des meilleurs ouvrages sur l'apprentissage automatique destinés aux étudiants et jeunes professionnels.
Qu'est-ce que l'apprentissage automatique ?
L'apprentissage automatique désigne la conception et l'application d'algorithmes qui permettent aux machines d'acquérir la capacité d'accomplir des tâches sans avoir été programmées explicitement pour cela.
L'apprentissage automatique est un domaine spécifique de l'intelligence artificielle. L'intelligence artificielle englobe plus largement le développement de comportements intelligents dans les ordinateurs. L'apprentissage automatique, quant à lui, se focalise sur l'aspect de l'apprentissage au sein de l'IA.
Comment l'apprentissage automatique est-il utilisé ?
Les ordinateurs ont toujours surpassé les humains en matière de calcul à grande échelle. Un ordinateur peut traiter d'énormes quantités de données rapidement et avec précision. Cependant, les ordinateurs étaient auparavant limités aux tâches que les humains comprenaient suffisamment bien pour écrire du code permettant de les instruire. En d'autres termes, nous étions le facteur limitant les possibilités offertes par les ordinateurs.
Grâce à l'apprentissage automatique, les ordinateurs ne sont plus restreints à ce que les humains peuvent formuler explicitement. Ils peuvent réaliser des tâches que nous considérions auparavant comme impossibles ou trop complexes à programmer, telles que :
- Conduire des véhicules (autopilote de Tesla, Waymo)
- Reconnaître des objets sur une image (SAM)
- Générer des créations artistiques (DALL-E)
- Produire du texte (ChatGPT)
- Traduire des textes (Google Translate)
- Jouer à des jeux (MindGo)
Pourquoi apprendre l'IA à l'aide de livres
Dans le cadre de l'apprentissage, les livres présentent l'avantage d'offrir une immersion beaucoup plus profonde que toute autre ressource d'apprentissage. Les livres sont le fruit d'un processus d'écriture minutieux, où les phrases sont réécrites pour plus de clarté.
Le résultat est une prose soignée qui exprime les idées de la manière la plus efficace possible. Mon principal motif personnel de privilégier les supports textuels est la facilité avec laquelle il est possible de se référer à certains concepts et de les revoir. C'est plus ardu avec des ressources vidéo comme les tutoriels et les cours. Examinons donc les meilleurs livres pour se former à l'apprentissage automatique.
Le livre d'apprentissage automatique de cent pages
Ce livre, intitulé "Le livre d'apprentissage automatique de cent pages", est, comme son nom l'indique, un ouvrage qui vous initie à l'apprentissage automatique en 100 pages seulement. En raison de cette limite de 100 pages, le livre n'offre qu'un aperçu du sujet, sans entrer dans les détails.
Il est idéal pour les débutants, car il aborde les notions fondamentales les plus importantes du domaine, telles que l'apprentissage supervisé et non supervisé, les méthodes d'ensemble, les machines à vecteurs de support et la descente de gradient.
L'auteur de ce livre est Andriy Burkov, un spécialiste du traitement du langage naturel, titulaire d'un doctorat en Intelligence Artificielle.
Apprentissage automatique pour les débutants absolus
Rédigé par Oliver Theobald, cet ouvrage constitue l'une des introductions les plus simples et les plus accessibles à l'apprentissage automatique.
Ce livre vous initie au Machine Learning sans exiger de connaissances préalables en programmation. Les explications sont fournies dans un langage simple, accompagnées d'aides graphiques pour faciliter la compréhension.
Bien que vous soyez amené à coder, le livre comprend des exercices de code téléchargeables et des tutoriels vidéo supplémentaires. Cependant, ce livre seul ne fera pas de vous un expert en Machine Learning. Vous devrez compléter votre apprentissage à l'aide d'autres ressources.
L'apprentissage profond
Ce livre est probablement l'ouvrage le plus complet sur l'apprentissage profond (Deep Learning) disponible. Il a été co-écrit par une équipe d'experts, dont Ian Goodfellow, un chercheur qui a développé les réseaux antagonistes génératifs.
Il vous enseigne les concepts mathématiques essentiels à la compréhension de l'apprentissage profond, notamment l'algèbre linéaire, la théorie des probabilités, la théorie de l'information et le calcul numérique.
Le livre explore les différents types de réseaux utilisés dans l'apprentissage profond, notamment les réseaux Deep Feedforward, les réseaux de neurones convolutifs et les réseaux d'optimisation. De plus, il a été salué par Elon Musk comme l'ouvrage de référence sur le sujet.
Une introduction à l'apprentissage statistique
L'ouvrage "Une introduction à l'apprentissage statistique" offre une vue d'ensemble du domaine de l'apprentissage statistique. L'apprentissage statistique est un sous-ensemble de l'apprentissage automatique qui englobe des méthodes d'apprentissage telles que les régressions linéaires, la classification et les machines à vecteurs de support, entre autres.
Ces techniques sont toutes présentées dans ce livre. Pour consolider les concepts abordés, le livre propose des exemples concrets. L'accent est mis sur la mise en œuvre des concepts appris dans le langage R, un langage de programmation largement utilisé dans l'apprentissage automatique pour le calcul statistique.
Le livre est le fruit du travail de Trevor Hastie, Robert Tibshirami, Daniela Witten et Gartehm James, tous professeurs de statistique. Malgré une solide base en statistiques, ce livre est accessible aussi bien aux statisticiens qu'aux non-statisticiens.
Programmation de l'Intelligence Collective
Ce livre, intitulé "Programmation de l'intelligence collective", est un outil précieux pour les développeurs de logiciels qui souhaitent créer des applications utilisant l'exploration de données et l'apprentissage automatique.
Il aborde, entre autres algorithmes, le fonctionnement des systèmes de recommandation, du clustering, des moteurs de recherche et des algorithmes d'optimisation. Il contient des exemples de code concis et des exercices pour vous aider à vous entraîner.
L'auteur de ce livre est Toby Segaran, également connu pour ses ouvrages "Programming the Semantic Web" et "Beautiful Data".
Fondamentaux de l'apprentissage automatique pour l'analyse prédictive des données
Ce livre vous initie aux principales approches de l'apprentissage automatique utilisées pour élaborer des prédictions. Avant d'aborder les aspects pratiques, le livre présente les concepts théoriques indispensables à connaître.
Le livre explique comment utiliser l'apprentissage automatique pour faire des prévisions de prix, des évaluations de risques, prédire le comportement des clients et classer des documents.
Il couvre les quatre approches de l'apprentissage automatique : l'apprentissage basé sur l'information, l'apprentissage basé sur les erreurs, l'apprentissage basé sur la similarité et l'apprentissage basé sur les probabilités. Les auteurs sont John D. Kelleher, Brian Mac Namee et Aoife D'Arcy.
Comprendre l'apprentissage automatique : de la théorie aux algorithmes
Ce livre présente l'apprentissage automatique et les algorithmes qui le rendent possible. Il offre un panorama théorique des principes fondamentaux de l'apprentissage automatique, ainsi que de leurs fondements mathématiques.
Il explique également comment ces principes fondamentaux sont ensuite traduits en algorithmes et en code. Les algorithmes étudiés comprennent la descente de gradient stochastique, les réseaux de neurones et l'apprentissage de sortie structuré.
Ce livre a été conçu pour les étudiants diplômés et les étudiants de premier cycle avancés. Il est le fruit du travail de Shai Shalev-Shwartz et Shai Ben-David. Une version physique peut être achetée sur Amazon, tandis qu'une version en ligne gratuite est disponible pour le téléchargement et un usage non commercial.
Apprentissage automatique pour les pirates
"Machine Learning for Hackers" est un ouvrage destiné aux programmeurs expérimentés. Il vous présente l'apprentissage automatique sous un angle pratique. Vous apprendrez les concepts à partir d'études de cas, plutôt que par une approche axée sur les mathématiques.
Le livre comprend des chapitres consacrés à un domaine spécifique de l'apprentissage automatique, comme la classification, la prédiction, l'optimisation et la recommandation.
Il se concentre sur la mise en œuvre des modèles en langage R et propose des projets stimulants tels qu'un classificateur de spams, un prédicteur de pages web et un déchiffrement à une seule lettre.
Ce livre a été écrit par Drew Conway et John Myles White, qui ont également co-écrit un autre livre intitulé "Machine Learning for Email".
Apprentissage automatique pratique avec R
Ce livre décrit comment mettre en œuvre des algorithmes tels que les algorithmes de clustering, les auto-encodeurs, les forêts aléatoires, les réseaux neuronaux profonds, et bien d'autres. La mise en œuvre se fait à l'aide du langage de programmation R et des différents packages de son écosystème.
Le livre n'est pas un tutoriel du langage R en lui-même. Par conséquent, les lecteurs doivent déjà être familiarisés avec ce langage pour pouvoir utiliser le livre. Une version papier peut être achetée sur Amazon, et une version en ligne est disponible gratuitement.
Apprentissage automatique avec Python
Ce livre sur l'apprentissage automatique avec Python vous initie au Machine Learning et à son implémentation en Python. Il commence par présenter les bibliothèques de base et les plus importantes utilisées en apprentissage automatique, telles que NumPy pour le calcul numérique et Pandas pour le traitement des données tabulaires.
Il introduit ensuite des bibliothèques telles que scikit-learn, qui sont utilisées pour créer des modèles d'apprentissage automatique. Le livre aborde également la visualisation de données à l'aide de Matplotlib. Il présente des algorithmes tels que la régression, le clustering et la classification. Enfin, il explique comment déployer des modèles.
En somme, ce livre constitue une introduction complète à l'apprentissage automatique qui vous permettra de commencer à mettre en œuvre vos propres modèles et à les intégrer dans vos applications. L'auteur de ce livre est Weng Meng Lee, le fondateur de Developer Learning Solutions.
Apprentissage automatique interprétable avec Python
Ce livre, intitulé "Interpretable Machine Learning with Python", est un guide complet sur l'apprentissage automatique. Il donne un aperçu des modèles d'apprentissage automatique et explique comment atténuer les risques de prédiction et améliorer l'interprétabilité grâce à des exemples pratiques et des mises en œuvre de code détaillées.
En couvrant les bases de l'interprétabilité, les différents types de modèles, les méthodes d'interprétation et les techniques de réglage, ce livre apporte aux lecteurs les connaissances et les compétences nécessaires pour améliorer efficacement les modèles d'apprentissage automatique. L'auteur de ce livre est Serg Masís, un spécialiste des données climatiques et agronomiques.
Conclusion
Cette liste de livres n'est évidemment pas exhaustive, mais elle présente quelques-uns des meilleurs ouvrages pour apprendre l'apprentissage automatique en tant que diplômé. Bien que la plupart des IA soient implémentées à l'aide de code, il n'est pas toujours nécessaire d'écrire ce code. De nombreux outils d'IA "no-code" facilitent le développement.
N'hésitez pas à explorer les plateformes d'apprentissage automatique low-code et no-code à votre disposition.