Machine Learning

Ce manuel propose une introduction complète et autonome à l'apprentissage automatique, fondée sur une approche probabiliste unifiée. Il combine largeur et profondeur : il présente les notions préalables indispensables en probabilités, en optimisation et en algèbre linéaire, tout en abordant les développements récents du domaine, notamment les champs aléatoires conditionnels, la régularisation L1 et l'apprentissage profond.

L'ouvrage adopte un style informel et accessible, accompagné de pseudo-code pour les algorithmes les plus importants. Tous les sujets sont abondamment illustrés par des images en couleur et des exemples résolus issus de domaines d'application variés, tels que la biologie, le traitement de textes, la vision par ordinateur et la robotique.

Plutôt que de proposer un recueil de méthodes heuristiques, le livre met l'accent sur une démarche rigoureuse fondée sur les modèles, en utilisant souvent le langage des modèles graphiques pour décrire les modèles de façon concise et intuitive. Presque tous les modèles présentés ont été implémentés dans PMTK (probabilistic modeling toolkit), un ensemble d'outils logiciels MATLAB librement accessible en ligne.