Comprendre l’apprentissage automatique, les maths essentielles, les algorithmes et construire des projets concrets avec Python
Vous entendez parler de Machine Learning, de régression, de classification, de Random Forest, de K-Means, de réseaux de neurones ou encore de modèles prédictifs… mais vous avez l’impression que tout cela est réservé aux mathématiciens et aux experts en intelligence artificielle ?
Ce livre a été écrit pour vous montrer le contraire.
Avec Machine Learning Sans Panique, nous partons de zéro, avec notre approche habituelle chez Aide en Informatique : des explications terre-à-terre, des analogies simples, des exemples concrets, des schémas et du code Python que l’on comprend avant de chercher à le mémoriser.
Ici, pas question de commencer par des pages de formules compliquées.
Nous commençons par une question simple :
Comment une machine peut-elle apprendre à partir d’exemples ?
Puis nous avançons progressivement.
Vous allez comprendre la différence entre Intelligence Artificielle, Machine Learning et Deep Learning, découvrir comment préparer et nettoyer des données avec Pandas et NumPy, comprendre les mathématiques réellement utiles comme la moyenne, la médiane, les probabilités, la distance, la corrélation, l’erreur, la fonction de coût ou encore le gradient.
Vous apprendrez ensuite à construire vos premiers modèles avec Scikit-learn :
Mais le livre ne s’arrête pas aux algorithmes.
Nous montrons également comment améliorer un modèle avec les features, le feature engineering, la validation croisée, Grid Search, les pipelines Scikit-learn, et comment éviter des pièges comme le surapprentissage, le sous-apprentissage ou les fuites de données.
Vous travaillerez sur des cas proches du terrain :
prévision des ventes, estimation de prix, risque d’impayé, départ client, segmentation de clientèle et détection d’opérations inhabituelles.
Enfin, vous verrez comment passer d’un simple modèle Python à une petite application utilisable : sauvegarde du modèle, création d’une API avec FastAPI, échanges en JSON et intégration dans une interface simple.
Le dernier chapitre rassemble tout dans un véritable mini-projet :
problème métier → données → nettoyage → entraînement → comparaison des modèles → évaluation → sauvegarde → API → utilisation.
Ce livre s’adresse avant tout :
aux étudiants, débutants, autodidactes, développeurs qui découvrent le Machine Learning, personnes en reconversion professionnelle et à tous ceux qui partent de zéro, voire de moins un.
Ce n’est pas un livre destiné aux experts.
Notre objectif est plus simple :
vous faire comprendre ce que fait réellement le Machine Learning, pourquoi il le fait, et vous permettre de construire vos premiers projets concrets avec Python sans paniquer devant les maths ou les algorithmes.
ÉDITION AFRIQUE — AIDE EN INFORMATIQUE
