[MISC HS n°18] Références de l’article « Machine Learning : un (rapide) tour d’horizon »

Retrouvez ci-dessous la liste des références qui accompagnent l’article « Machine Learning : un (rapide) tour d’horizon », publié dans MISC HS n°18 :

[1] https://www.technologyreview.com/lists/technologies/2018/

[2] http://scikit-learn.org

[3] https://fr.wikipedia.org/wiki/Apprentissage_automatique

[4] https://deepmind.com/blog/alphago-zero-learning-scratch/

[6] Y. LeCun, Y. Bengio & G. Hinton, Deep learning, Nature, vol. 521, 28 MAY 2015, disponible à : https://www.cs.toronto.edu/~hinton/absps/NatureDeepReview.pdf

[7] A. Géron : Machine Learning avec Scikit-Learn, Mise en Œuvre et cas concrets, Dunod, 2017

[8] A. Géron : Deep Learning avec TensorFlow, Mise en Œuvre et cas concrets, Dunod, 2017.

[9] https://fr.wikipedia.org/wiki/Fonction_d%27activation

[10] THE MNIST DATABASE : http://yann.lecun.com/exdb/mnist/

[11] J. Hearty, Advanced Machine Learning with Python, PACKT Publishing, 2016.

[12] P. B. Sjardin, L. Massaron (Auteur), A. Boschetti, Large Scale Machine Learning with Python, PACKT Publishing, 2016.

[13] F. Chollet, Deep learning with Python, Manning Publications Co., 2018.

[14] C. Chio et D. Freeman, Machine Learning & Security, protecting systems with data and algorithms, O’Reilly, 2018.

Pour aller plus loin

Le Web regorge de ressources. Attention à GitHub, beaucoup de codes donnés en exemple ne fonctionnent pas. On peut citer :

– Les « dépôts » de données (en plus des jeux de données qu’on trouve dans Scikit-Learn) :

– UC Irvine Machine Learning Repository : https://archive.ics.uci.edu/ml/index.php

– Kaggle, un site de challenges : https://www.kaggle.com/

– Datascience.net, idem, mais en langue française : https://www.datascience.net/fr/challenge

– Le site https://keras.io/datasets/ décrit des jeux de données prêts à l’emploi.

– Coursera qui contient de nombreux cours, tous niveaux : https://www.coursera.org/

– Idem pour EDX : https://www.edx.org/

– Si vous voulez jouer avec le célèbre jeu de données de digits du MNIST (avec Keras), avec des réseaux de neurones convolutionnels : https://machinelearningmastery.com/handwritten-digit-recognition-using-convolutional-neural-networks-python-keras/ et https://nextjournal.com/gkoehler/digit-recognition-with-keras

– Le logiciel Alligator (AnaLyzing maLware wIth partitioninG and probAbiliTy-based algORithms), co-écrit par L. Apvril et A. Apvril : http://alligator.telecom-paristech.fr/

– Le site www.fast.ai, lisez notamment l’étonnant billet : http://www.fast.ai/2018/08/10/fastai-diu-imagenet/

– Les conférences de Y. LeCun au Collège de France : https://www.college-de-france.fr/site/yann-lecun/

Laisser un commentaire