Bibliothèque de référence
Les ouvrages derrière nos articles. Filtrez par cadre réglementaire et par langue. Les sources en accès libre renvoient vers l’extérieur ; les œuvres protégées sont citées pour référence uniquement.
27 sur 27 références
- TextbookGeneralEN
Artificial Intelligence: A Modern Approach
Stuart Russell, Peter Norvig · Pearson (3rd edition) · 2010
Le panorama de référence de l’intelligence artificielle, organisé autour de la notion d’agent rationnel. Il couvre la recherche non informée et heuristique, la satisfaction de contraintes, la recherche adversariale, la logique et la représentation des connaissances, le raisonnement probabiliste et les réseaux bayésiens, les processus de décision markoviens, l’apprentissage par renforcement et la théorie des jeux, en présentant les algorithmes en pseudo-code indépendant de tout langage.
Intelligence artificielleRecherche et planificationReprésentation des connaissancesProbabilitéBibliothèque de référence (citation seulement) - TextbookREN
An Introduction to Statistical Learning, with Applications in R
Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani · Springer (Springer Texts in Statistics 103) · 2013
Un traitement accessible de l’apprentissage statistique qui garde une base mathématique honnête sans supposer un niveau de troisième cycle. Il couvre la régression linéaire et logistique, le rééchantillonnage et la validation croisée, la sélection de variables et la régularisation, les méthodes à base d’arbres, les machines à vecteurs de support et l’apprentissage non supervisé.
- TextbookPyTorchEN
Build a Large Language Model (From Scratch)
Sebastian Raschka · Manning · 2025
Implémente de bout en bout un modèle de langue de type GPT en PyTorch : tokenisation du texte et échantillonnage des données, mécanisme d’attention à partir des principes de base, architecture transformeur, préentraînement sur du texte non annoté pour obtenir un modèle de fondation, puis affinage pour la classification et le suivi d’instructions.
IA générativeApprentissage profondTraitement du langage naturelBibliothèque de référence (citation seulement) - TextbookTensorFlow/KerasEN
Deep Learning with Python
François Chollet · Manning (2nd edition, MEAP) · 2020
Une introduction pratique à l’apprentissage profond construite autour de Keras, des briques mathématiques des réseaux de neurones à la vision par ordinateur avec les réseaux convolutifs, puis aux modèles de séquences et à l’apprentissage profond génératif, en privilégiant l’intuition sur le formalisme.
Apprentissage profondVision par ordinateurProgrammationBibliothèque de référence (citation seulement) - TextbookREN
The Elements of Statistical Learning
Trevor Hastie, Robert Tibshirani, Jerome Friedman · Springer (2nd edition, Springer Series in Statistics) · 2009
Le compagnon de niveau supérieur d’ISL et la référence de l’apprentissage statistique dans toute sa profondeur mathématique : méthodes linéaires pour la régression et la classification, expansions de base et lissage à noyau, évaluation de modèles, modèles additifs et arbres, boosting, forêts aléatoires et apprentissage non supervisé.
- TextbookGeneralEN
Deep Learning
Ian Goodfellow, Yoshua Bengio, Aaron Courville · MIT Press (Adaptive Computation and Machine Learning) · 2016
Le texte de référence de l’apprentissage profond : il commence par l’algèbre linéaire, les probabilités et le calcul numérique que le domaine présuppose, puis progresse des réseaux à propagation avant à la régularisation, à l’optimisation, aux architectures convolutives et récurrentes, jusqu’à la frontière de recherche des modèles génératifs.
- TextbookGeneralEN
Reinforcement Learning: An Introduction
Richard S. Sutton, Andrew G. Barto · MIT Press (2nd edition) · 2018
Le traitement de référence de l’apprentissage par renforcement, écrit par deux de ses fondateurs : bandits, processus de décision markoviens, programmation dynamique, méthodes de Monte-Carlo, apprentissage par différence temporelle, traces d’éligibilité, méthodes de gradient de politique et méthodes approchées qui les font passer à l’échelle.
- TextbookGeneralEN
Pattern Recognition and Machine Learning
Christopher M. Bishop · Springer (Information Science and Statistics) · 2006
Une présentation résolument bayésienne de l’apprentissage automatique : lois de probabilité et lois a priori conjuguées, modèles linéaires pour la régression et la classification, méthodes à noyaux, modèles graphiques, modèles de mélange et EM, inférence variationnelle et méthodes d’échantillonnage.
Apprentissage automatiqueProbabilitéStatistiqueMathématiquesBibliothèque de référence (citation seulement) - TextbookGeneralEN
Probabilistic Machine Learning: An Introduction
Kevin P. Murphy · MIT Press (Adaptive Computation and Machine Learning) · 2022
Un panorama moderne et unifié qui traite l’apprentissage automatique comme des probabilités appliquées de bout en bout : modèles linéaires et logistiques, réseaux profonds, prédiction structurée et théorie de la décision, l’auteur mettant librement à disposition un PDF de travail et les carnets associés.
- TextbookGeneralEN
Mathematics for Machine Learning
Marc Peter Deisenroth, A. Aldo Faisal, Cheng Soon Ong · Cambridge University Press · 2020
Rassemble exactement les mathématiques dont dépend l’apprentissage automatique, et rien de plus : algèbre linéaire, géométrie analytique, décompositions matricielles, calcul vectoriel, probabilités et optimisation continue, puis les met à l’œuvre ensemble dans la régression, l’ACP, les modèles de mélange et les SVM.
- TextbookGeneralEN
Convex Optimization
Stephen Boyd, Lieven Vandenberghe · Cambridge University Press · 2004
La référence en optimisation convexe : ensembles et fonctions convexes, comment reconnaître qu’un problème est convexe, dualité et conditions KKT, et les algorithmes de points intérieurs qui résolvent ces problèmes de façon fiable à grande échelle.
- TextbookGeneralEN
Information Theory, Inference, and Learning Algorithms
David J. C. MacKay · Cambridge University Press · 2003
Traite la théorie de l’information, l’inférence bayésienne et l’apprentissage comme un seul sujet : entropie et compression de données, codage de canal bruité, méthodes de Monte-Carlo et réseaux de neurones, démontrés par des exercices résolus plutôt que par affirmation.
- TextbookGeneralEN
Elements of Information Theory
Thomas M. Cover, Joy A. Thomas · Wiley (2nd edition) · 2006
Le texte canonique de troisième cycle en théorie de l’information : entropie et information mutuelle, équipartition asymptotique, compression de données, capacité de canal, entropie différentielle, théorie débit-distorsion et liens avec la statistique et les jeux de hasard.
Théorie de l'informationProbabilitéMathématiquesBibliothèque de référence (citation seulement) - TextbookNumPyEN
Neural Networks and Deep Learning
Michael Nielsen · Determination Press · 2015
Un court livre en ligne gratuit qui dérive soigneusement la rétropropagation et construit un classifieur de chiffres fonctionnel en NumPy pur, puis explique pourquoi les réseaux profonds sont difficiles à entraîner et ce que font réellement les correctifs.
- TextbookGeneralEN
Speech and Language Processing
Dan Jurafsky, James H. Martin · Stanford (3rd edition draft, continuously revised)
Le manuel de référence du TAL, des expressions régulières et de la distance d’édition aux modèles de langue n-grammes et neuronaux, à l’étiquetage de séquences, à l’analyse syntaxique et à la sémantique, à la traduction automatique et aux grands modèles de langue à base de transformeurs.
- TextbookGeneralEN
Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations
Yoav Shoham, Kevin Leyton-Brown · Cambridge University Press · 2009
La théorie des jeux écrite pour les informaticiens : jeux sous forme normale et extensive, concepts d’équilibre et calcul de ces équilibres, choix social, conception de mécanismes et d’enchères, jeux coalitionnels et logiques de la connaissance et de la croyance.
- TextbookGeneralEN
Networks, Crowds, and Markets
David Easley, Jon Kleinberg · Cambridge University Press · 2010
Relie théorie des graphes et théorie des jeux à travers les systèmes que toutes deux décrivent : structure des réseaux et liens forts, jeux sur les réseaux, marchés d’appariement et enchères, cascades informationnelles et analyse de liens derrière la recherche web.
- StandardGeneralEN
AI Risk Management Framework (AI RMF 1.0)
National Institute of Standards and Technology · NIST (U.S. Department of Commerce) · 2023
Un cadre volontaire pour identifier et gérer les risques des systèmes d’IA, organisé autour de quatre fonctions - gouverner, cartographier, mesurer et gérer - et d’un ensemble de caractéristiques attendues d’un système digne de confiance.
- StandardGeneralEN
Regulation (EU) 2024/1689 laying down harmonised rules on artificial intelligence
European Parliament and Council of the European Union · Official Journal of the European Union · 2024
Le règlement européen sur l’IA : une réglementation par niveaux de risque qui interdit purement et simplement certaines pratiques, impose des obligations de conformité, de documentation et de supervision humaine aux systèmes à haut risque, et fixe des obligations de transparence distinctes pour les modèles d’IA à usage général.
- StandardGeneralEN
ISO/IEC 42001:2023 - Artificial intelligence management system
ISO/IEC JTC 1/SC 42 · International Organization for Standardization · 2023
La première norme certifiable de système de management dédiée à l’intelligence artificielle : elle spécifie les processus qu’une organisation doit mettre en place pour développer et exploiter des systèmes d’IA de façon responsable, sous la même forme auditable qu’ISO 9001 ou 27001.
Intelligence artificielleBibliothèque de référence (citation seulement) - GuideGeneralEN
Model Cards for Model Reporting
Margaret Mitchell, Simone Wu, Andrew Zaldivar, and others · ACM Conference on Fairness, Accountability, and Transparency (FAT*) · 2019
Propose le court document structuré qui accompagne aujourd’hui la plupart des modèles publiés : usage prévu, usages hors périmètre, données d’entraînement et évaluation ventilée par groupe plutôt que rapportée comme un unique chiffre agrégé.
- GuideGeneralEN
Datasheets for Datasets
Timnit Gebru, Jamie Morgenstern, Briana Vecchione, and others · Communications of the ACM 64(12) · 2021
Soutient que chaque jeu de données devrait être livré avec une fiche technique indiquant pourquoi il a été collecté, auprès de qui, comment il a été nettoyé et ce à quoi il ne doit pas servir, afin que les défaillances des modèles en aval puissent être remontées jusqu’aux données.
- TextbookEN
Understanding Machine Learning: From Theory to Algorithms
Shai Shalev-Shwartz, Shai Ben-David · Cambridge University Press · 2014
The standard modern treatment of learning theory: PAC learning, uniform convergence, the VC dimension and the fundamental theorem of statistical learning, no-free-lunch, and the bias-complexity trade-off, each stated as a theorem and proved rather than described. The reference behind the statistical-learning-theory path.
- TextbookEN
Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing
Ron Kohavi, Diane Tang, Ya Xu · Cambridge University Press · 2020
Written by the experimentation leads at Microsoft, Google and LinkedIn, and organised around the ways an online experiment misleads rather than the arithmetic of the t-test: peeking, metric proliferation, segment mining, variance reduction with pre-period covariates, and the institutional practice that keeps a result trustworthy. The reference behind the experimentation path.
StatistiqueApprentissage automatiqueBibliothèque de référence (citation seulement) - TextbookEN
Recommender Systems: The Textbook
Charu C. Aggarwal · Springer · 2016
A systematic survey of recommendation: neighbourhood methods, matrix factorisation and its regularised variants, content-based and knowledge-based systems, evaluation beyond RMSE, cold start, and the attack and bias problems that come with deploying a recommender. The reference behind the recommender-systems path.
Apprentissage automatiqueStatistiqueBibliothèque de référence (citation seulement) - TextbookREN
Forecasting: Principles and Practice
Rob J Hyndman, George Athanasopoulos · OTexts · 2014
The standard applied forecasting text: stationarity and differencing, autocorrelation and the ARIMA family, exponential smoothing and decomposition, and evaluation on a forward split against a naive baseline. Example-led, with every method worked on real series.
- TextbookEN
Theory of Games and Economic Behavior
John von Neumann, Oskar Morgenstern · Princeton University Press (third edition, 1953; 1966 printing) · 1944
The book that founded game theory: the minimax theorem for zero-sum games, the axiomatic derivation of expected utility from preferences, and the theory of coalitions and stable sets for the n-person case. Dense and axiomatic rather than expository, and the primary source behind results the surveys state without proof.
MathématiquesApprentissage automatiqueBibliothèque de référence (citation seulement)