Grâce à l'approche fondée sur les données et les cas d'usage de ce livre, vous comprendrez les concepts de l'apprentissage automatique (ML, machine learning) et de l'apprentissage profond (deep learning).
[...]
Cet ouvrage pratique vous fait découvrir trois méthodes de mise en oeuvre de l'apprentissage automatique : en no-code avec AutoML, en low-code avec BigQuery ML et au moyen de code personnalisé avec Scikit-learn et Keras. Pour chaque cas, vous apprendrez les concepts clés du ML en utilisant des jeux de données inspirées de problèmes concrets issus du monde réel. Les analystes d'affaires et de données profiteront d'une introduction au ML et à l'IA fondée sur des projets, avec une approche détaillée et axée sur les données : chargement et analyse ; envoi à un modèle ML ; création, entraînement, test puis déploiement du modèle. Les auteurs de ce livre montrent comment créer des modèles d'apprentissage automatique dans le contexte de la vente au détail, de la santé, des services financiers, de l'énergie et des télécommunications. Différenciez les données structurées et non structurées. Visualisez et analysez les données. Prétraitez les données afin de les soumettre à un modèle d'apprentissage automatique. Faites la différence entre les modèles d'apprentissage supervisé par régression et par classification. Comparez les types et architectures de modèles ML en no-code, low-code et avec entraînement personnalisé. Concevez, implémentez et optimisez des modèles ML. Exportez les données vers un dépôt GitHub dans un objectif de gestion et de gouvernance des données. Gwendolyn Stripling est tituliaire d'un doctorat et responsable du développement de contenus IA:ML chez Google Cloud. Elle a produit des vidéos d'introduction à l'IA générative et aux réseaux de neurones sur YouTube et Linkedln Larning. Michael Abel est docteur en mathématiques, qu'il a enseignées à l'université. Il est actuellement responsable technique chez Google Cloud, où il a été auparavant formateur en données et en ML (4e de couverture)
