Amorcer l'apprentissage automatique : un prochain livre sur les API de prédiction
Je suis tombé sur un prochain livre qui pourrait vous intéresser.
Il s'intitule Bootstrapping Machine Learning par Louis Dorard, PhD. Un échantillon de 40 pages est fourni et je l'ai apprécié. Je pense que le dernier livre sera une lecture précieuse.
Louis est d'avis que l'apprentissage automatique est banalisé au point que si vous êtes un développeur d'applications, vous n'avez pas besoin d'apprendre les algorithmes d'apprentissage automatique, il vous suffit d'apprendre les API d'apprentissage automatique.
De nos jours, n'importe qui est en mesure d'exploiter la puissance des algorithmes d'apprentissage automatique avec une expérience minimale en codage et en utilisant des API de prédiction.
J'aime cette approche et je la préconise pour les non-programmeurs. C'est un signe de la maturité du domaine que nous puissions commencer à différencier clairement le chercheur en apprentissage automatique du praticien en apprentissage automatique et même du développeur d'applications. Si vous êtes un programmeur et que vous créez des applications, vous n'avez pas besoin de vous soucier des détails ésotériques de la conception des langages de programmation. Il en va de même avec l'apprentissage automatique et la recherche d'algorithmes.
L'exemple n'aborde pas les API de prédiction, mais fournit des informations générales sur la structure du livre, sur l'apprentissage automatique en ce qui concerne l'intelligence artificielle, des exemples motivants d'apprentissage automatique et un exemple concret.
Applications basées sur l'apprentissage automatique
Des exemples d'applications basées sur le machine learning sont décrits pour motiver le désir et le besoin de maîtriser les API de prédiction :
- Amazon : utilisation de recommandations personnalisées adressées aux utilisateurs en fonction d'achats antérieurs. Nextflix pour le déménagement et Spotify pour la musique sont également mentionnés.
- Gmail : la boîte de réception prioritaire qui sépare les promotions et les emails importants.
- Siri : les commandes vocales et la capacité de récupération d'informations sur les iDevices comme l'iPhone.
- Facebook : la reconnaissance faciale en photo partie de l'application Facebook.
Quand l’apprentissage automatique échoue
Louis travaille sur un exemple en utilisant l'ensemble de données de fleurs d'iris comme contexte (le bon monde de l'apprentissage automatique comme il l'appelle). Dans cette section, il présente utilement des exemples dans lesquels l'apprentissage automatique peut échouer :
- Généralisation : lorsqu'il y a trop peu d'exemples pour généraliser ou que les exemples fournis ne sont pas représentatifs de la population de données sous-jacente.
- Séparation des classes : lorsque les classes ne peuvent pas être séparées de manière significative, que ce soit de manière linéaire ou non linéaire.
- Bruit : lorsque des biais, des erreurs ou du bruit systématique sont introduits dans la collection d'exemples à partir desquels un système d'apprentissage automatique est formé.
Plus de détails à ce sujet sont fournis dans son article de blog du même nom.
Le titre du livre est à nouveau Bootstrapping Machine Learning : A guide to using Prediction APIs, avec le slogan : « Exploitez la valeur de vos données. Créez des applications meilleures et plus intelligentes.
Vous pouvez en savoir plus sur Louis sur son blog et en savoir plus sur son livre sur le site Web Bootstrapping Machine Learning.