Comprendre le machine learning : de la théorie aux algorithmes [e-book gratuit de 449 p.]

• Understanding Machine Learning, écrit par Shai Shalev-Shwartz et Shai Ben-David, est un livre publié en 2014 par Cambridge University Press
• Il traite des fondements théoriques et des algorithmes du machine learning.
• Avec l'autorisation de Cambridge University Press, le PDF du manuscrit a été mis en ligne et peut être téléchargé uniquement pour un usage personnel
• Non destiné à la redistribution

[GN⁺]

Avis sur Hacker News

• Si vous voulez comprendre le machine learning, je recommande "The StatQuest Illustrated Guide to Machine Learning" de Josh Starmer

  • Starmer est un excellent pédagogue qui exprime des idées complexes de façon claire et concise
  • Ce livre est écrit dans un format aussi simple à lire et à comprendre qu’un livre pour enfants
  • Il a aussi publié un livre sur les réseaux de neurones, et propose une méthode d’enseignement et de communication utile même aux experts

• Si vous voulez comprendre les bases du machine learning, je recommande "Probability for computer scientists" de Stanford

  • L’ouvrage traite de la théorie des probabilités et des fondements théoriques du machine learning
  • Les cours d’Andrew Ng sont également célèbres, mais ils demandent des connaissances préalables en mathématiques
  • Les supports de cours de CS109 peuvent être téléchargés en PDF
  • "Learning from Data" de Caltech est aussi utile pour une compréhension théorique
  • Si vous voulez comprendre les réseaux de neurones depuis les bases, je recommande "Neural networks zero to hero"

• Les cours de machine learning de Bloomberg sont personnellement ceux que je préfère

• Si vous voulez apprendre l’IA générative moderne, je recommande "udlbook"

• Je me demande si un ingénieur logiciel qui ne fait pas de recherche a vraiment besoin de comprendre en profondeur les concepts du machine learning

  • Je ressens un écart entre les besoins métier et ce qui est nécessaire pour implémenter l’IA/ML
  • Plutôt que de développer soi-même un modèle adapté à un besoin métier basique, il peut être plus pertinent d’ajuster légèrement un modèle existant

• Comme ouvrage d’introduction à la théorie du machine learning, la théorie de l’apprentissage statistique est la plus accessible

• Le plus grand défi des modèles de ML n’est pas l’algorithme, mais l’organisation des connaissances contextuelles

  • Une structuration hiérarchique des documents améliore fortement les résultats

• Le livre que j’ai lu il y a longtemps est théorique et ne met presque pas l’accent sur les applications

  • Publié en 2014, il est aujourd’hui dépassé
  • La théorie mathématique n’est pas réellement utile, et une approche pratique est plus importante
  • Le machine learning n’est pas un domaine des mathématiques ou de l’informatique théorique, mais une branche de l’ingénierie

• Ce livre a été publié en 2014, je doute de sa pertinence aujourd’hui

• Le livre ayant été publié il y a 10 ans, je pense qu’il est dépassé