Apprentissage automatique

L’apprentissage automatique (machine learning) est la discipline qui dote les systèmes informatiques de la capacité d’apprendre à partir de données, sans être explicitement programmés pour chaque tâche. Du diagnostic médical à la recommandation de contenu, en passant par la reconnaissance d’images et la traduction automatique, ses applications ont profondément transformé notre quotidien. Ce livre s’adresse aux étudiants et praticiens qui souhaitent comprendre les algorithmes fondamentaux et les architectures de deep learning, tout en développant une intuition mathématique solide.

L’ouvrage progresse des algorithmes classiques vers les architectures les plus modernes. Les premières parties traitent des données, de leur exploration, de leur prétraitement et des modèles supervisés et non supervisés. Les parties centrales introduisent les réseaux de neurones, la rétropropagation et les frameworks de deep learning. Les dernières parties couvrent les architectures avancées — CNN, RNN, Transformers, GAN, autoencodeurs — ainsi que les enjeux pratiques de déploiement, d’interprétabilité et d’éthique.

Partie I — Fondations

• Environnement et outils

• Les données

• Exploration et visualisation

• Prétraitement

Partie II — Apprentissage supervisé

• Régression linéaire

• Classification

• K plus proches voisins

• Arbres de décision

• Méthodes d’ensemble

• Machines à vecteurs de support

• Évaluation et sélection de modèles

Partie III — Apprentissage non supervisé

• Réduction de dimensionnalité

• Clustering

• Détection d’anomalies

• Règles d’association et modèles de mélange

Partie IV — Réseaux de neurones

• Le perceptron et les bases

• Rétropropagation et optimisation

• Frameworks : PyTorch

• Réseaux convolutifs

• Réseaux récurrents

Partie V — Apprentissage profond avancé

• Autoencodeurs

• Réseaux antagonistes génératifs

• Mécanisme d’attention et Transformers

• Traitement du langage naturel

• Vision par ordinateur avancée

Partie VI — Pratique et déploiement

• Interprétabilité des modèles

• MLOps et déploiement

• Éthique et biais

---

À propos de l’image de couverture. La visualisation en couverture est obtenue par t-SNE (t-distributed Stochastic Neighbor Embedding), un algorithme de réduction de dimensionnalité. Des données en 100 dimensions sont projetées dans le plan, révélant des groupes que l’œil humain ne pouvait percevoir dans l’espace original. Cette émergence de structure à partir de données brutes est le fil conducteur de l’apprentissage automatique.

À propos de ce livre. Ces notes couvrent l’apprentissage automatique, du prétraitement des données jusqu’au déploiement de modèles de deep learning. L’approche mêle rigueur théorique et code Python exécutable. La rédaction a été réalisée par Lôc Cosnier avec l’assistance de Claude (Anthropic), un modèle de langage. Le contenu a été relu, structuré et validé par l’auteur ; toute erreur restante lui est imputable.