Scikit-Learn et TensorFlow. Apprentissage automatique en Python

Introduction

Le livre «Scikit-Learn et TensorFlow. Apprentissage automatique en Python» (titre original Hands-On Machine Learning with Scikit-Learn and TensorFlow) est l'un des guides les plus reconnus et les plus pratiques sur l'apprentissage automatique (ML) et l'apprentissage profond (DL) en langage Python. L'auteur, Aurélien Géron, ancien ingénieur chez Google, a réussi à créer un manuel aussi utile aux débutants faisant leurs premiers pas en Data Science qu'aux développeurs expérimentés souhaitant approfondir leurs connaissances. La troisième édition (2022) a été entièrement remaniée et mise à jour pour les versions modernes des bibliothèques, notamment TensorFlow 2.x et Scikit-Learn 1.x.

De quoi parle ce livre

Le livre couvre le cycle complet du travail avec les données : de la définition du problème et du prétraitement des données à la construction, l'évaluation et le déploiement des modèles. L'ensemble du contenu est divisé en deux grandes parties :

• Partie I. Fondamentaux de l'apprentissage automatique — consacrée aux algorithmes classiques : régression linéaire et logistique, SVM, arbres de décision, méthodes d'ensemble (Random Forest, Gradient Boosting), clustering (K-Means, DBSCAN) et méthodes de réduction de dimensionnalité (PCA). Tous les exemples sont implémentés avec la bibliothèque Scikit-Learn.
• Partie II. Apprentissage profond et réseaux de neurones — couvre la théorie et la pratique des réseaux de neurones : du simple perceptron aux réseaux convolutifs (CNN) et récurrents (RNN), ainsi que les transformeurs et les réseaux antagonistes génératifs (GAN). La deuxième partie est entièrement basée sur TensorFlow 2.x et Keras.

Une attention particulière est accordée aux aspects pratiques : travail avec des ensembles de données réels, réglage des hyperparamètres, régularisation, augmentation des données et déploiement de modèles avec TensorFlow Serving et TF Lite.

Pour qui est ce livre

Le livre s'adresse à un large public :

• Spécialistes débutants en Data Science — ceux qui connaissent déjà les bases de Python et souhaitent étudier systématiquement l'apprentissage automatique.
• Programmeurs se tournant vers le ML — développeurs Python qui veulent appliquer leurs compétences dans le domaine de l'intelligence artificielle.
• Étudiants en filières techniques — pour une étude approfondie de la théorie et de la pratique du ML.
• Ingénieurs ML expérimentés — comme ouvrage de référence et source de bonnes pratiques, notamment en matière d'apprentissage profond.

Ce que le lecteur apprendra

Après avoir lu ce livre, vous serez capable de :

• Comprendre et implémenter les principaux algorithmes d'apprentissage automatique avec Scikit-Learn.
• Construire et entraîner des réseaux de neurones de toute complexité avec TensorFlow et Keras.
• Évaluer correctement la qualité des modèles (cross-validation, métriques, matrice de confusion).
• Appliquer des méthodes de régularisation pour lutter contre le surapprentissage.
• Travailler avec des images, du texte et des séries temporelles.
• Déployer des modèles en production avec TensorFlow Serving.
• Utiliser des architectures modernes (transformeurs, GAN) pour résoudre des problèmes complexes.

Points forts du livre

Ce livre se distingue des autres manuels pour plusieurs raisons :

• Orientation pratique — chaque chapitre contient des exemples de code prêts à être exécutés, que vous pouvez immédiatement appliquer à vos propres données.
• Actualité — la troisième édition est parue en 2022 et couvre les dernières versions des bibliothèques, notamment TensorFlow 2.9 et Scikit-Learn 1.1.
• Style d'exposition clair — les concepts complexes sont expliqués dans un langage simple, avec de nombreuses illustrations et analogies.
• Profondeur — l'auteur ne se contente pas de montrer comment appeler une fonction, il explique également pourquoi l'algorithme fonctionne ainsi, avec des fondements mathématiques.
• Structuration — une construction logique du contenu : du simple au complexe, avec des résumés clairs et des exercices à la fin de chaque chapitre.

À qui nous recommandons