
Machine Learning : les Maths en Action
Tome 3 — Vecteurs, régression et descente de gradient
Le Tome 3 relie le programme de mathématiques du lycée au machine learning : vecteurs, fonctions, dérivées et statistiques deviennent des outils concrets pour entraîner un modèle sur de vraies données agricoles et économiques.
Compétences acquises
- Manipuler des données avec NumPy
- Construire une régression linéaire à la main
- Comprendre et régler le taux d'apprentissage
- Évaluer un modèle avec une erreur moyenne
Sommaire
- 01
Données et vecteurs
Chaque observation devient un vecteur de nombres. NumPy permet de calculer sur des milliers de lignes d'un coup.
- 02
La régression linéaire
On cherche la droite y = a·x + b qui passe au plus près des points en minimisant l'erreur quadratique.
- 03
La descente de gradient
Pour trouver le minimum d'une erreur, on avance pas à pas dans la direction de la pente descendante. La taille du pas s'appelle le taux d'apprentissage α.
- 04
Évaluer un modèle
On sépare les données en entraînement et test, puis on mesure l'erreur moyenne sur des données jamais vues.
Ce que contient l'ouvrage
Manuel technique de terrain
Cours, exemples réels et fiches réflexes.
Cahier d'Exercices Corrigés
Exercices progressifs avec corrigés détaillés.
Guide Parents / Enseignants
Pour accompagner l'apprenant sans être expert.
Console Python intégrée
Exécutez le code du livre dans le navigateur, même hors-ligne.
Jeu lié
Gradient Racer
Règle α pour faire converger la bille au fond de la vallée.
1/3 niveau gratuit · Badge : Pilote du Gradient
Avis des lecteurs vérifiés
Pas encore d'avis. Les lecteurs peuvent en laisser depuis l'Espace Lecteur.