| Titre : | Deep learning avec TensorFlow : mise en oeuvre et cas concrets |
| Auteurs : | Aurélien Géron, Auteur ; Hervé Soulard, Traducteur |
| Type de document : | Monographie imprimée |
| Editeur : | Paris [France] : Dunod, 2017 |
| ISBN/ISSN/EAN : | 978-2-10-075993-4 |
| Format : | 1 vol. (XIII-346 p.) / ill. / 25 cm |
| Note générale : |
Trad. de la seconde partie de : "Hands-on machine learning with Scikit-Learn and TensorFlow" Index |
| Langues: | Français |
| Langues originales: | Anglais |
| Index. décimale : | 006.31 |
| Catégories : |
[Agneaux] Apprentissage profond |
| Mots-clés: | Apprentissage profond |
| Résumé : |
Cet ouvrage, conçu pour tous ceux qui souhaitent s'initier au Deep Learning (apprentissage profond) est la traduction de la deuxième partie du best-seller américain Hands-On Machine Learning with Scikit-Learn & TensorFlow.Le Deep Learning est récent et il évolue vite. Ce livre en présente les principales techniques : les réseaux de neurones profonds, capables de modéliser toutes sortes de données, les réseaux de convolution, capables de classifier des images, les segmenter et découvrir les objets ou personnes qui s'y trouvent, les réseaux récurrents, capables de gérer des séquences telles que des phrases, des séries temporelles, ou encore des vidéos, les autoencodeurs qui peuvent découvrir toutes sortes de structures dans des données, de façon non supervisée, et enfin le Reinforcement Learning (apprentissage par renforcement) qui permet de découvrir Automatiquement les meilleures actions pour effectuer une tâche (par exemple un robot qui apprend à marcher).Ce livre présente TensorFlow, le framework de Deep Learning créé par Google. Il est accompagné de notebooks Jupyter (disponibles sur github) qui contiennent tous les exemples de code du livre, afin que le lecteur puisse facilement tester et faire tourner les programmes.Il complète un premier livre intitulé Machine Learning avec Scikit-Learn. |
| Sommaire : |
Les fondamentaux du Machine Learning. Installer TensorFlow. Installer le projet Handson-ML. Qu’est-ce que le Machine Learning ? Comment le système apprend-il ? Régression linéaire. Descente de gradient. Régression polynomiale. Courbes d’apprentissage. Modèles linéaires régularisés. Régression logistique. Exercices. Introduction à TensorFlow. Créer un premier graphe et l’exécuter dans une session. Gérer des graphes. Cycle de vie de la valeur d’un noeud. Manipuler des matrices. Régression linéaire avec TensorFlow. Descente de gradient avec TensorFlow. Fournir des données à l’algorithme d’entraînement. Enregistrer et restaurer des modèles. Visualiser le graphe et les courbes d’apprentissage avec TensorBoard. Portées de noms. Modularité. Partager des variables. Exercices. Introduction aux réseaux de neurones artificiels. Du biologique à l’artificiel. Entraîner un PMC avec une API TensorFlow de haut niveau. Entraîner un PMC avec TensorFlow de base. Régler précisément les hyperparamètres d’un réseau de neurones. Exercices. Entraînement de réseaux de neurones profonds. Problèmes de disparition et d’explosion des gradients. Réutiliser des couches préentraînées. Optimiseurs plus rapides. Éviter le surajustement grâce à la régularisation. Recommandations pratiques. Exercices. Distribution de TensorFlow sur des processeurs ou des serveurs.Plusieurs processeurs sur une seule machine. Plusieurs processeurs sur plusieurs serveurs. Paralléliser des réseaux de neurones dans une partition TensorFlow. Exercices. Réseaux de neurones convolutifs. L’architecture du cortex visuel. Couche de convolution. Couche de pooling. Architectures de CNN. Exercices. Réseaux de neurones récurrents. Neurones récurrents. RNR de base avec TensorFlow. Entraîner des RNR. RNR profonds. Cellule LSTM. Cellule GRU. Traitement automatique du langage naturel. Exercices. Autoencodeurs. Représentations efficaces des données. ACP avec un autoencodeur linéaire sous-complet. Autoencodeurs empilés. Préentraînement non supervisé avec des autoencodeur empilés.  |
Disponibilité (4)
| Cote | Support | Localisation | Statut |
|---|---|---|---|
| INF/673 | Livre | bibliothèque sciences exactes | Consultable |
| INF/673 | Livre | bibliothèque sciences exactes | Empruntable |
| INF/673 | Livre | bibliothèque sciences exactes | Empruntable |
| INF/673 | Livre | bibliothèque sciences exactes | Empruntable |
Les abonnés qui ont emprunté ce document ont également emprunté :
| Java et Eclipse | Laugié, Henri |
| Deep learning en action | Patterson, Josh |
| Raspberry Pi | Kearney, Kirsten |
| Algorithmique en C, C++, Java, Python et PHP | Léry, Jean-Michel |
| Introduction aux systèmes d'exploitation | Boucheneb, Hanifa |
| Mon cours visuel de programmation | McManus, Sean |
