Introduction au Machine Learning, par Chloé-Agathe Azencott (Dunod InfoSup) présente les concepts fondamentaux de l'apprentissage automatique, ou machine learning.

Télécharger ici le PDF de la deuxième édition (sans les exercices corrigés)

Cet ouvrage s’adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d’ingénieurs. Le machine learning offre aujourd'hui à de nombreux secteurs d'activité la possibilité de réaliser des progrès spectaculaires grâce à ses puissants outils qui facilitent l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine. Il vous fournit les outils nécessaires pour :

  • identifier et formaliser les problèmes qui peuvent être résolus par des approches de machine learning ;
  • mettre en oeuvre les algorithmes classiques les plus appropriés ;
  • implémenter ces algorithmes par vous-même afin d'en comprendre les tenants et aboutissants ;
  • évaluer et comparer les performances de plusieurs algorithmes de machine learning pour une application particulière.

Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés.

Couverture du livre Introduction au machine learning

Nouveautés dans la troisième édition

  • Des références à jour ;
  • Plus d'éléments d'interprétation concernant la validation croisée, l'analyse discriminante ou le clustering spectral ;
  • 27 nouveaux exercices.

Se procurer le livre

Historique

Parution de la première édition en 2018

Couverture du livre Introduction au Machine Learning (1ère édition)

Version PDF de la première édition (sans les exercies)

Nouveau tirage avec corrections en 2019

Deuxième édition en février 2022

Couverture du livre Introduction au Machine Learning (2ème édition)

Nouveautés de cette deuxième édition :

  • Une place plus importante est donnée au point de vue probabiliste ;
  • Les notions d'estimation ponctuelle sont renvoyées en annexe ;
  • Une nouvelle section sur l'optimisation d'hyperparamètres ;
  • De nouveaux algorithmes : analyse discriminante linéaire et quadratique, clustering spectral, clustering par mélange de gaussiennes, UMAP.

La couverture de la deuxième édition imaginait le bord de l'eau comme une frontière de décision (non linéaire, assortie d'une zone d'indécision) entre mer et terre.