De nombreux livres, écrits par des spécialistes, permettent d’avoir une connaissance profonde de l’univers du Machine Learning. Si certains de ces ouvrages s’appuient plus sur l’aspect théorique de cette technologie, d’autres par contre sont plus centrés sur la pratique. En voici 5 de ces livres sur le Machine Learning.

Data Science : fondamentaux et études de cas : Machine Learning

Pour avoir des informations qualitatives sur les fondamentaux du Machine Learning, ce livre écrit par Michel Lutz devrait vous intéresser. Celui-ci parle de la data science dans les détails et montre que celle-ci est de plus en plus présente dans la société. Son importance en Machine Learning est clairement mise en avant dans ce bouquin qui est particulièrement destiné aux data scientists. Ces derniers y trouveront tout ce dont ils ont besoin pour être performants dans leur boulot. Ce livre s’adresse également aux statisticiens, aux développeurs, aux chefs de projets et aux étudiants qui sont amenés à résoudre des problèmes de data science. Le gros avantage de cette œuvre est qu’elle nous éloigne des grands discours abstraits pour dévoiler des études de cas concrets. 

Apprentissage machine: De la théorie à la pratique. Concepts fondamentaux en Machine Learning 

Si vous cherchez un livre pour découvrir tous les concepts fondamentaux du Machine Learning, optez pour celui-ci. Il est écrit par Massih-Reza Amini et met à nu toutes les réalités fonctionnelles de l’apprentissage supervisé et aussi de l’apprentissage semi-supervisé. Ce livre dévoile également les algorithmes les plus répandus utilisés pour ces apprentissages. Les élèves ingénieurs, les étudiants de master et doctorants en mathématiques appliquées, en recherche opérationnelle ou encore en gestion de production peuvent accroitre leur connaissance en lisant ce livre. Il en est de même pour les enseignants-chercheurs, les ingénieurs, les informaticiens, les industriels, les économistes et les décideurs qui sont tenus de résoudre des problèmes de classification, de partitionnement et d’ordonnancement à large échelle.

Apprentissage statistique: Réseaux de neurones. Cartes topologiques. Machines à vecteurs supports 

Gérard Dreyfus étalent ses connaissances sur le Machine Learning dans ce livre assez riche. Il évoque notamment l’apprentissage statistique qui permet de mettre au point des modèles de données et de processus quand la formalisation de règles explicites n’est pas possible. Les fondements théoriques de cet apprentissage sont dévoilés par l’auteur. Aussi, les algorithmes les plus utilisés couramment sont présentés, dont les réseaux de neurones, les machines à vecteurs supports, les cartes topologiques et les modèles de Markov cachés. Des exemples et des études de cas financiers, bancaires et industriels sont proposés dans cette œuvre. Cherchez à la découvrir si vous êtes un ingénieur, un chercheur ou encore un décideur qui est soucieux de résoudre des problèmes de modélisation, de prévision, de reconnaissance et de commande. C’est également un bouquin qui peut accroitre significativement les connaissances des étudiants et des élèves ingénieurs des disciplines scientifiques et économiques, ainsi qu’à leurs enseignants.

Apprentissage machine – Clé de l’intelligence artificielle – Une introduction pour non-spécialistes 

Gilleron Rémi a écrit ce livre pour permettre, en priorité, aux étudiants de licence scientifique et ceux qui sont non scientifiques de découvrir les fondements de l’apprentissage machine. Son objectif principal est de leur faciliter la compréhension parfaite des algorithmes et des systèmes principaux d’apprentissage machine qui sont utilisés en science des données. On peut citer par exemple les arbres de décision, les réseaux de neurones, les méthodes d’ensemble et les séparateurs à vastes marges. A partir de cet ouvrage, on comprend mieux pourquoi il existe plusieurs systèmes d’apprentissage et on cerne parfaitement les avantages et les inconvénients de chacun de ces systèmes. En outre, on sait comment s’en servir idéalement en réalisant les choix les plus profitables. La finalité est de permettre au lecteur d’être un utilisateur intelligent de méthodes de fouille de données et lui donner la possibilité de résoudre des tâches dans son domaine de compétence.

Big Data et Machine Learning – 2e éd. – Les concepts et les outils de la data science 

Les data scientists, les chefs de projets, les spécialistes métier, les DSI sont autant de professionnels qui gagnent à lire ce livre écrit par Pirmin Lemberger. Après lecture, ces derniers auront l’avantage de tirer parti de l’énorme potentiel des technologies du Big Data. Cet ouvrage se veut un guide pour avoir une bonne connaissance des enjeux d’un projet Big Data et de Machine Learning et d’appréhender les concepts sous-jacents.

A lire aussi : Les 7 livres UX qui améliorent votre apprentissage