Apprendre AutoML (French Edition)

Avant-propos de Thomas H. Davenport

L'apprentissage automatique est un sujet difficile à aborder par écrit. C'est un concept relativement facile à saisir dans les grandes lignes — « Ce serait génial si un ordinateur pouvait créer automatiquement un modèle statistique qui s'adapte bien à mes données et fasse d'excellentes prédictions », n'est-ce pas ? — mais difficile à aborder en détail, tant d'un point de vue organisationnel que technique. En fait, la plupart des experts en AutoML ont une formation et une orientation très techniques, et ne sont pas vraiment capables de discuter des implications organisationnelles et économiques.

Ce livre se distingue en ce qu’il aborde habilement ces deux perspectives sur le sujet. Kerem Tomak est un cadre supérieur doté d’une solide formation en science des données, et il parvient à faire le lien entre ces deux domaines distincts de l’AutoML. Néanmoins, je suivrais ses conseils sur les sections de ce livre à lire en fonction de ton parcours et de ton approche du sujet.

Malgré les deux mondes du sujet qu’il faut relier, c’est une période passionnante pour écrire et lire un livre sur l’AutoML. Les data scientists professionnels, qui se méfiaient autrefois de l’AutoML parce qu’ils pensaient pouvoir créer de meilleurs modèles « à la main », ont commencé à adopter cette technologie, en particulier pour l’exploration de modèles à un stade précoce.

Du côté des non-professionnels, on a également assisté à une série de développements technologiques passionnants. ...