Brève description / annotation

Vous voulez comprendre la classification automatique sans vous noyer dans les formules ? Ce livre est fait pour vous. Il avance pas à pas, à travers 17 fiches courtes, chacune consacrée à une grande famille de méthodes. On commence par un modèle de référence tout simple, puis on monte en puissance jusqu'aux réseaux de neurones et aux processus gaussiens. L'esprit est résolument pratique. Chaque fiche part d'un petit scénario, fabrique des données fictives avec la bibliothèque Faker, puis construit, entraîne et évalue un modèle. Vous voyez le résultat s'afficher aussitôt, car tout est pensé pour les notebooks Jupyter. Cette façon de travailler, où le code, les graphiques et les explications cohabitent, rend l'apprentissage vivant et concret. Vous découvrirez au fil des pages les outils les plus utiles de Scikit-learn : - Les plus proches voisins et les modèles linéaires pour poser les bases. - Les arbres de décision, les forêts et les méthodes de renforcement pour gagner en précision. - Les machines à vecteurs de support et le perceptron multicouche pour aller plus loin. - La calibration des probabilités et la gestion de plusieurs étiquettes pour affiner le travail. Le style reste simple et accessible, pensé pour des étudiants en programmation qui débutent en apprentissage automatique. Chaque notion est expliquée avec des mots du quotidien, illustrée par des graphiques clairs et accompagnée d'un code que vous pouvez rejouer chez vous. À la fin, vous saurez choisir le bon classifieur et juger sa qualité en toute confiance.

Détails