Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition)

Détails du livre

Titre	Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples (English Edition)
Auteur(s)	Dr. Ruchi Doshi, Kamal Kant Hiran, Ritesh Kumar Jain, Dr. Kamlesh Lakhwani
Éditeur	BPB Publications
Année de publication	2021
Édition	1ère édition
Langue	Anglais
Pages	294 pages
ISBN	978-93-90889-28-2
Domaine	Informatique, Intelligence Artificielle, Science des données
Taille du fichier	6.34 MB
Extension	PDF

Résumé du livre

L'ouvrage "Machine Learning: Master Supervised and Unsupervised Learning Algorithms with Real Examples" est un guide complet et accessible pour quiconque souhaite maîtriser les concepts fondamentaux et les applications pratiques du Machine Learning. Publié par BPB Publications en 2021, ce livre est le fruit du travail collaboratif de quatre experts en informatique et en science des données. Il se distingue par son approche pédagogique, qui combine une présentation claire des algorithmes avec une mise en œuvre concrète à l'aide de Python.

Le contenu couvre un spectre très large des techniques de Machine Learning. Les auteurs commencent par les bases, puis explorent en détail les algorithmes supervisés (Régression Linéaire, Naïve Bayes, Arbres de Décision, K-nearest neighbors, Régression Logistique, SVM, Forêts Aléatoires), non supervisés (k-means, Clustering Hiérarchique, Modèles de Mélange Gaussien, Règles d'Association) et par renforcement (Processus de Décision de Markov, Q-Learning, SARSA). L'ouvrage aborde également l'extraction et la sélection de caractéristiques, les systèmes de recommandation, et donne un aperçu du Deep Learning.

La force de ce livre réside dans son approche pratique. Chaque algorithme est illustré par des exemples concrets et des problèmes du monde réel, ce qui permet aux lecteurs de comprendre non seulement la théorie, mais aussi comment l'appliquer. L'utilisation des bibliothèques Python populaires telles que Scikit-learn, pandas et matplotlib est détaillée, permettant aux étudiants de se familiariser avec les outils essentiels de la data science. Des exercices et des sujets de réflexion viennent renforcer l'apprentissage et la compréhension.

Ce guide s'adresse à un public varié. Il est idéal pour les étudiants en data science et en analyse de données qui souhaitent acquérir une base solide en Machine Learning. Les universitaires et les chercheurs y trouveront une ressource complète pour leurs travaux. Même sans une connaissance préalable approfondie en statistiques ou en programmation, le langage clair et les explications progressives rendent le sujet accessible, bien qu'une familiarité avec les bases soit un atout.

La réputation des auteurs, des universitaires et chercheurs expérimentés en informatique, garantit la qualité et la profondeur du contenu. L'éditeur, BPB Publications, est reconnu pour ses ouvrages techniques en informatique. Ce livre s'impose donc comme un incontournable pour toute personne souhaitant se former de manière sérieuse et pratique au Machine Learning.

Points clés

• Présente une couverture complète des algorithmes supervisés, non supervisés et par renforcement.
• Utilise des exemples concrets et des applications réelles pour illustrer chaque concept.
• Inclut du code Python pratique avec les bibliothèques Scikit-learn, pandas et matplotlib.
• Propose des exercices et des sujets de réflexion pour renforcer l'apprentissage.
• Aborde des sujets avancés comme l'extraction de caractéristiques, les systèmes de recommandation et le Deep Learning.
• Rédigé dans un langage clair et accessible, adapté aux débutants comme aux étudiants avancés.
• Conçu pour les étudiants en data science, les chercheurs et les professionnels.
• Publié par BPB Publications, un éditeur réputé pour ses ouvrages techniques.
• Rédigé par une équipe d'experts en informatique avec une vaste expérience académique et industrielle.
• Permet de maîtriser les algorithmes pour résoudre des problèmes d'analyse prédictive et de classification.

À propos des auteurs

Le Dr. Ruchi Doshi est une chercheuse et académicienne de renom avec plus de 14 ans d'expérience en Asie et en Afrique. Elle est superviseur de recherche à l'Universidad Azteca au Mexique et membre du corps professoral à l'Université Jyoti Vidyapeeth pour femmes en Inde.

Kamal Kant Hiran est professeur assistant à l'Université Sir Padampat Singhania (SPSU) en Inde et chercheur à l'Université d'Aalborg au Danemark. Il est médaillé d'or en M.Tech. (Hons.) et possède plus de 16 ans d'expérience académique et de recherche sur trois continents.

Ritesh Kumar Jain est professeur assistant au Geetanjali Institute of Technical Studies (GITS) en Inde, avec plus de 15 ans d'expérience dans l'enseignement et la recherche en informatique.

Le Dr. Kamlesh Lakhwani est professeur associé en génie informatique à l'Université JECRC en Inde, apportant 15 ans d'expérience dans l'éducation et la recherche en Asie.

Livres connexes

• Hands-On Machine Learning with Scikit-Learn and TensorFlow — Aurélien Géron
• The Elements of Statistical Learning — Trevor Hastie, Robert Tibshirani, Jerome Friedman
• Pattern Recognition and Machine Learning — Christopher M. Bishop
• Machine Learning for Absolute Beginners — Oliver Theobald
• Data Science from Scratch — Joel Grus
• Introduction to Machine Learning with Python — Andreas C. Müller, Sarah Guido
• Python Machine Learning — Sebastian Raschka

Ads

Télécharger (PDF, 6.34 MB) Lire en ligne (PDF)

Foire aux questions (FAQ)

Q : À quel niveau ce livre sur le Machine Learning s'adresse-t-il ?

R : Le livre est conçu pour être accessible aux débutants tout en offrant une profondeur suffisante pour les étudiants avancés. Il est idéal pour les étudiants en data science, les professionnels cherchant à se former et les chercheurs.

Q : Quels sont les prérequis pour suivre ce livre ?

R : Une familiarité avec les bases de la programmation est bénéfique, mais l'ouvrage est conçu pour être compris même sans connaissances approfondies en statistiques ou en programmation, grâce à ses explications claires.

Q : Ce livre couvre-t-il à la fois les algorithmes supervisés et non supervisés ?

R : Oui, il offre une couverture exhaustive des algorithmes supervisés (régression, classification), non supervisés (clustering, association) et par renforcement, avec des exemples pour chacun.

Q : L'ouvrage inclut-il des exemples de code pour la mise en pratique ?

R : Absolument. Il est riche en exemples de code Python utilisant des bibliothèques standards comme Scikit-learn, pandas et matplotlib, ce qui facilite la mise en pratique.

Q : L'ISBN du livre est-il disponible ?

R : Oui, l'ISBN est le 978-93-90889-28-2.

Q : Ce livre est-il adapté pour la préparation à des examens ou des certifications ?

R : Oui, il est structuré avec des exercices, des sujets de réflexion et des questions de modèles d'examen, ce qui en fait un excellent outil de préparation.