Deep learning en action - Une approche par la pratique - collection O'Reilly

Adam Gibson, Josh Patterson

Description

Plongez au coeur du Deep Learning
Ce livre a été écrit pour tous ceux qui souhaitent s'initier au Deep Learning (apprentissage profond). Il est la suite logique du titre "Le Machine learning avec Python" paru en février 2018.

Le Deep Learning est une technologie nouvelle qui évolue très rapidement. Ce livre en présente les bases principales de cette technologie. Au coeur de celle-ci on trouve les réseaux de neurones profonds, permettant de modéliser tous types de données et les réseaux de convolution, capables de traiter des images.
Et enfin, cette technologie de plus en plus utilisée dans les applications d'intelligence artificielle introduit le notion de Reinforcement Learning (apprentissage par renforcement) qui permet d'optimiser les prises de décision par exemple pour le fonctionnement d'un robot.

Au programme :
La génèse du Deep Learning
Les résaux de neuronnes
Les bases des réseaux de type Deep learning
L'architecture réseau
Créer un réseau type
Adapter le réseau à des besoins propres
Les architectures spécifiques
La vectorisation
Le Deep Learning et DL4J sur Spark
Au coeur de l'intelligence artificielle
RL4J et Reinforcement Learning

Collection O'Reilly

Sujets

• O'Reilly

Informations

• Publié par: First Interactive
• Date de parution: 04 octobre 2018
• Nombre de lectures: 57
• EAN13: 9782412043356
• Langue: Français

Extrait

Deep learning en action
 
 

La référence du praticien
 
 

Josh Patterson et Adam Gibson
 
 
Deep learning en action
 
Traduction française publiée et vendue avec l’autorisation de O’Reilly Media, Inc. de Deep Learning:A Practitioner’s Approach ISBN 9781491914250 © 2017 Josh Patterson et Adam Gibson
 
© 2018 Éditions First, un département d’Édi8.
12, avenue d’Italie
75013 Paris – France
Tél. : [phone]
Fax : [phone]
 
Courriel : [e-mail]
Site Internet : lisez.com
 
ISBN : 978-2-412-03744-7
ISBN numérique : 9782412043356
Dépôt légal : mai 2018
 
Traduction de l’anglais : Daniel Rougé
Mise en page : Pierre Brandeis
 
Cette œuvre est protégée par le droit d’auteur et strictement réservée à l’usage privé du client. Toutereproduction ou diffusion au profit de tiers, à titre gratuit ou onéreux, de tout ou partie de cetteœuvre est strictement interdite et constitue une contrefaçon prévue par les articles L 335-2 et suivants du Code de la propriété intellectuelle. L’éditeur se réserve le droit de poursuivre toute atteinteà ses droits de propriété intellectuelle devant les juridictions civiles ou pénales.
 
Ce livre numérique a été converti initialement au format EPUB par Isako www.isako.com à partir de l'édition papier du même ouvrage.
PRÉFACE
Qu’y a-t-il dans ce livre ?
Les quatre premiers chapitres du livre sont axés sur suffisamment de théorie et de principesfondamentaux pour vous donner, à vous le praticien, une base de travail pour le reste de cetouvrage. Les cinq derniers chapitres s’appuient ensuite sur ces concepts pour vous guider à travers une série de chemins pratiques afin de vous aider à vous lancer dans le deep learning avecDL4J comme compagnon de route :

• Construire des réseaux profonds.
• Utiliser des techniques de mise au point avancées.
• Vectoriser différents types de données.
• Exécuter des workflows de deep learning sur Spark.
DL4J comme raccourci pour Deeplearning4j.
Dans ce livre, nous utilisons essentiellement le raccourci DL4J à la place de Deeplearning4j. En fait, les deux termes renvoient à la suite d’outils de la bibliothèque Deeplearning4j, mais DL4J est évidemment plus court à énoncer…
Nous avons conçu le livre de cette manière parce que nous sentions qu’il y avait besoin d’unouvrage couvrant « suffisamment de théorie » tout en étant « suffisamment pratique » pourconstruire des workflows de deep learning de niveau professionnel. Nous pensons, et donc nousespérons aussi, que cette approche hybride théorie/pratique remplira ses objectifs.
Le Chapitre 1  est une révision de concepts d’apprentissage automatique en général, ainsi que dudeep learning en particulier. Son but est de permettre à tout lecteur de se familiariser avec lesbases nécessaires pour comprendre le reste du livre. Nous avons ajouté ce chapitre car de nombreux débutants peuvent utiliser un rappel ou une introduction à ces concepts, et nous voulionsrendre le projet accessible à la plus large audience possible.
Le Chapitre 2  s’appuie sur les concepts du Chapitre 1  pour vous donner les bases sur les réseauxde neurones. C’est en grande partie un chapitre dédié à la théorie des réseaux de neurones, maisnous nous sommes efforcés de présenter ces informations de manière accessible. Le Chapitre 3 s’appuie sur les deux premiers : la manière dont les réseaux profonds ont évolué à partir desréseaux de neurones fondamentaux à une impressionnante vitesse. Le Chapitre 4  présente lesquatre principales architectures des réseaux profonds et il vous donne les bases pour toute lasuite du livre.
Dans le Chapitre 5 , nous vous présentons un certain nombre d’exemples de code Java qui utilisent les techniques exposées dans la première moitié du livre. Les Chapitres  6  et  7  examinentles principes fondamentaux de l’optimisation des réseaux de neurones en général, puis montrentcomment ajuster les architectures spécifiques des réseaux profonds. Ces chapitres sont indépendants de la plate-forme et seront applicables par le praticien quelle que soit la bibliothèque dedeep learning utilisée. Le Chapitre 8  passe en revue les techniques de vectorisation et les basesde l’utilisation de DataVec (l’outil de workflow ETL et de vectorisation de DL4J). Le Chapitre 9 conclut le corps principal du livre en examinant la manière d’utiliser DL4J nativement sur Sparket Hadoop, avec trois exemples concrets que vous exécutez sur vos propres clusters Spark.
Le livre contient en supplément de nombreuses annexes consacrées à des sujets pertinents pournotre propos, mais qui ne correspondent pas directement au contenu des chapitres principaux.Ces sujets sont notamment les suivants :

• intelligence artificielle ;
• utiliser Maven avec des projets DL4J ;
• travailler avec les GPU ;
• utiliser l’API de ND4J ;
• et plus encore…
C’est qui, « le praticien » ?
À ce jour, l’expression « data science » est utilisée un peu partout (et en tout cas beaucoup plussouvent que la tout autant légitime « science des données »), mais elle n’a pas de définitionpropre et est souvent utilisée de différentes manières. Le monde de la science des données et del’intelligence artificielle (IA) est aussi large et brumeux que n’importe quel terme en informatique actuellement. C’est dû en grande partie au fait que le monde de l’apprentissage automatique est devenu imbriqué dans presque toutes les disciplines.
Cet enchevêtrement généralisé a des parallèles historiques, notamment avec le moment où le World Wide Web (dans les années 1990) a introduit le HTML dans toutes les disciplines, cequi a amené énormément de nouvelles personnes sur le terrain de la technologie. De la mêmemanière, de plus en plus d’ingénieurs, de statisticiens, d’analystes, d’artistes et autres entrent chaque jour dans la grande mêlée de l’apprentissage automatique. Avec ce livre, notre objectif estde démocratiser le deep learning (et l’apprentissage automatique) et de le partager avec le pluslarge public possible.
Si vous trouvez le sujet intéressant et que vous lisiez cette préface, vous êtes le praticien, et ce livreest pour vous .
Qui devrait lire ce livre ?
Au lieu de partir d’exemples « jouets » et de construire la progression autour de ceux-ci, nousavons choisi de commencer le livre par une série de principes fondamentaux pour vous emmener dans un voyage complet à travers le deep learning.
Nous estimons qu’un trop grand nombre d’ouvrages ne tiennent pas compte des principauxsujets dont le praticien d’entreprise a fréquemment besoin pour réviser rapidement certainesnotions. Sur la base de nos expériences d’apprentissage automatique sur le terrain, nous avonsdécidé de commencer par les matériaux que les praticiens débutants ont souvent besoin derevoir pour mieux fortifier leurs projets de deep learning.
Vous pouvez sauter les Chapitres  1  et  2  et aller droit aux fondamentaux du deep learning.Cependant, nous espérons que vous apprécierez d’avoir tout le matériel à votre disposition afinque vous puissiez suivre en douceur une trajectoire de transition vers les sujets les plus difficilesdu deep learning qui reposent sur ces principes. Dans les sections suivantes, nous suggéronsquelques stratégies de lecture pour différents contextes.
Le praticien de l’apprentissage machine en entreprise
Nous divisons cette catégorie en deux sous-groupes :

• les data scientist  ;
• les ingénieurs Java.
Le data scientist
Ce groupe de professionnels de la science des données construit généralement déjà des modèleset parle couramment la langue de la data science . Si c’est votre cas, vous pouvez probablementsauter le Chapitre 1  et vous contenter de parcourir rapidement le Chapitre 2 . Nous vous suggérons de passer au Chapitre 3  car vous serez probablement prêt à sauter à pieds joints dans lesprincipes fondamentaux des réseaux profonds.
L’ingénieur Java
Les ingénieurs Java sont typiquement charg