Un livre à lire impérativement !

Machine Learning, Intelligence artificielle, Algorithmes, autant de mots, souvent des buzz words, employés à tort et à travers, sans que leur signification soit très claire.

Avec ce livre, accessible à tout le monde, Aurélie Jean remet les choses dans leur contexte, et explique en terme simples, avec beaucoup d’exemples tirés de son expérience personnelle, ce que ces termes signifient vraiment.

De la simulation du comportement d’un élastomère chargé en nanoparticules de carbone (en l’occurence le caoutchouc) à la simulation des tensions politiques sur l’économie tout en passant par l’étude de l’impact des ondes de choc sur le cerveau et les poupées sexuelles, Aurélie Jean nous emmène pour un magnifique voyage au pays du numérique.

Elle aborde également les biais, ou comment notre vision, notre perception, déformée par notre culture, notre passé… peuvent influer sur notre jugement, et aussi notre façon de coder. Cela peut générer au mieux des situations cocasses, au pire de gros bugs !

Enfin, l’autrice nous expliquera pourquoi l’ordinateur quantique n’est pas la réponse à tout, et pourquoi « l’intelligence artificielle » (la vraie) n’est pas pour demain…

Personnellement, ce livre va rapidement devenir ma bible lorsque je devrai expliquer de manière simple ce qu’est le machine learning !

Bref vous l’aurez compris, j’étais déjà une fervente admiratrice d’Aurélie Jean via ses différentes conférences et interventions, et je suis définitivement conquise par son livre ! Il s’agit vraiment d’un ouvrage à mettre entre toutes les mains, et de toute urgence !

Deep Learning avec TensorFlow

Ce qu’il y a de bien avec le confinement, c’est que les week-ends semblent durer plus longtemps ! Du coup, cela me laisse le temps de me cultiver !

Le dernier livre en date, « Deep Learning avec TensorFlow », est en fait la suite du livre « Le Machine Learning avec Python », dont je parle ici.

Pour celleux qui ne seraient pas encore trop au clair avec les notions de Machine Learning (ML), Deep Learning, Intelligence Artificielle (AI), voici un petit résumé des épisodes précédents 🙂

Les débuts de l’Intelligence Artificielle remontent assez loin, on cite souvent Alan Turing dans les années 1950. Elle désigne tous les traitements automatisés que l’on retrouve en Industrie (automates) et en informatique (logiciels). Là, je sens que j’ai cassé un mythe…

En fait, dans l’imaginaire collectif, AI désigne surtout une Intelligence Artificielle Forte (AGI), qui serait totalement autonome et auto-apprenante. Hélas (?), cela n’existe pas encore à l’heure où j’écris ces lignes – a priori – 😉

Le Machine Learning, c’est déjà plus glamour, car là, ce sont les machines qui « apprennent par elles-mêmes ». Attention cependant, tout cela est basé sur des mathématiques, des statistiques, il n’y a donc pas d’AGI ni de miracle derrière tout cela, seulement beaucoup d’intelligence humaine. On utilise des modèles de type régression, Naïve Bayes, clustering, arbres de décision, random Forest…

Le deep learning enfin fait partie du ML, mais fait appel à des réseaux de neurones. Elle fonctionne par bio-mimétisme : la machine essaye de reproduire le mécanisme de notre cerveau ! Il est apparu il y a 10 ans environ, notamment dans la reconnaissance d’images ou de langage naturel.

On en vient alors à TensorFlow !

TensorFlow est un outil d’apprentissage automatique développé par Google, il est open source et basé sur Google Brain.

Du coup, on parle de Deep Learning, donc de réseaux de neurones.

Après une courte (ré)-introduction aux concepts de base du ML, ce livre fait donc une introduction aux réseau de neurones artificiels et à leur entrainement.

Il aborde successivement les réseaux de neurones convolutifs, les réseaux de neurones récurrents, les autoencodeurs et enfin l’apprentissage par renforcement.

Perso, plus j’avance dans mon apprentissage du ML, plus j’ai l’impression que l’on se rapproche des méthodes d’apprentissages que l’on utilise avec nos animaux domestiques. L’apprentissage par renforcement, qui utilise les récompenses, en est un exemple. Même si bien sûr nous sommes encore loin, pour le moment, de la complexité d’un cerveau animal. Mais cela à toujours un coté « magique » 🙂 !

En tous cas, je suis de plus en plus captivée par le ML, et si vous aussi vous avez envie d’approfondir le sujet, ce livre est fait pour vous !

En attendant, n’hésitez pas à laisser des remarques / commentaires si vous en avez !

La Machine learning avec Python

Lorsque l’on s’intéresse au machine learning, ce ne sont pas les ressources qui manquent… mais généralement, elles sont en anglais… Ce n’est pas forcément un problème, mais c’est quand même plus agréable (pour moi) lorsque je trouve des ressources en langue française 🙂

Du coup, je me suis procurée ce livre auprès d’un grand site de vente en ligne… et je désirais vous partager ma satisfaction 🙂

Avec ce livre, si vous avez quelques bases de Python (ou pas, mais faut quand même avoir de bonnes bases dans un langage de programmation, vous aurez une initiation au ML sans devoir passer des jours de remise à niveau en mathématiques.

Le principal intérêt est que, contrairement à beaucoup de tutos en lignes, on part de la pratique pour arriver aux principes mathématiques sous-jacents. Perso, cette manière d’apprendre me convient beaucoup mieux.

En se basant principalement sur scikit-learn, sont abordés :

  • L’apprentissage supervisé avec ses les différents modèles, leur usage, leurs avantages et leur limites, ainsi que les méthodes pour estimer leur incertitude.
  • Idem pour l’apprentissage non supervisé
  • La représentation des donnés
  • L’évaluation et l’amélioration des modèles
  • Le Chaînage d’algorithmes et pipelines
  • Le travail avec les données textuelles

Cela fait quand même un bon aperçu des techniques de ML actuelles !

Et pour aller plus loin, voici quelques liens que je trouve intéressants :

Bonnes lectures et si vous avez des suggestions, n’hésitez pas, commentez !