J'ai lu :
J'ai lu : Apprentissage artificiel

Apprentissage Artificiel - Concepts et algorithmes

Ouvrage d'Antoine Cornuéjols et Laurent Miclet, deuxième édition parue en 2010 aux éditions EYROLLES.

© Éditions EYROLLES, 2002, tous droits réservés

Sujet

Un recueil sur les différentes méthodes d'apprentissage artificiel (plus communément appelé "apprentissage machine" ou pour les anglophones "machine learning").

Résumé

Les auteurs abordent, au fil des chapitres, un panel assez varié de méthodes et d'algorithmes de "machine learning".

Après un petit historique de la discipline, qui se retrouve ainsi à l’interface de la cybernétique et des sciences cognitives, on attaque doucement mais sûrement les différentes façons d'appréhender l'apprentissage machine. Les méthodes sont regroupées en quatre principaux chapitres :

  • apprentissage par exploration ;
  • apprentissage par optimisation ;
  • apprentissage par approximation et interpolation ;
  • le reste (les auteurs ayant choisi de regrouper les méthodologies suivantes ensemble ) : l'apprentissage par combinaison d'experts, la classification non-supervisée et semi-supervisée, l'apprentissage actif, etc.

Certains chapitres se présentent sous forme de cours très formels, avec définitions, théorèmes et algorithmes explicites, d'autres plutôt comme des récits sur l'histoire et le fonctionnement en bref de telle ou telle méthode, ce qui distingue ce livre des manuels purement scolaires.

Revue

Un très bon ouvrage permettant de connaître les différentes façons de créer un système apprenant, mais surtout extrêmement utile comme aide au bon choix de la dite méthode dans un cas donné. Les auteurs vont suffisamment en profondeur pour pouvoir comprendre le fonctionnement de chaque concept, mais il faut cependant lire de la littérature plus spécialisée pour une maîtrise totale. Pour ma part,ce livre a été un précieux complément aux cours que j'ai suivis lors de mon master de bioinformatique (Master BIBS), car aborde plus de thèmes (près de 800 pages obligent).

Un autre point positif de ce livre est l'importante quantité de références bibliographiques, qui permettent facilement d'aller plus loin dans le sujet d'intérêt.

Le point négatif de cet ouvrage est sans doute la grande hétérogénéité entre les différents chapitres. En effet, certains sont très longs, bien (des fois même trop) documentés, décrits, enrichis en exemples, illustrations et algorithmes. D'autres sont courts, avec à peine un ou deux exemples survolant à peine la thématique. Le livre est ainsi en quelque sorte victime de son exhaustivité.

Pour résumer, c'est un livre agréable à lire quand on s’intéresse à cette discipline, bien écrit, incluant de nombreuses illustrations, algorithmes et formules.

Public visé

Étudiants en master d'informatique et bioinformatique comme ouvrage de référence sur le domaine de l'intelligence artificielle, ingénieurs et chercheurs qui souhaitent mettre au point des applications ou comme aide-mémoire pour le choix de la méthode à utiliser.

On peut l'acheter sur le site de l'éditeur ou chez d'autres grandes librairies en ligne, pour une cinquantaine d'euros.

---
Merci pour la relecture de ce premier article à Yoann, bilouweb, nahoy et Axelanderya

  • À propos de
  • Actuellement postdoc en chemoinformatique à l'Université Friedrich Schiller, à Jena, Allemagne dans le groupe de Christoph Steinbeck, je m'amuse avec des grosses-petites molécules naturelles ("natural products"), Docker et le cloud. Auparavant j'ai fait un autre postdoc au CECAD (http://cellnet.cecad.uni-koeln.de) à Cologne (Allemagne) sur le métabolisme des levures. J'ai fait ma thèse en bioinformatique à l'Université Paris-Saclay, au Genoscope (http://www.genoscope.cns.fr/agc/blog/microscope/), après avoir fait le master BIBS à l'Université Paris-Sud sur le campus d'Orsay. Ma spécialité principale est l'analyse du métabolisme et de tout ce qui y touche (réseaux métaboliques, activités enzymatiques, structure des métabolites).

2 commentaires sur “J'ai lu : Apprentissage artificiel

  1. livre vraiment intéressant!

  2. Il y a également un openclassroom intéressant de Stanford à l'adresse suivante:

    http://openclassroom.stanford.edu/MainFolder/CoursePage.php?course=MachineLearning

Laisser un commentaire