Ce support s’adresse aux développeurs PHP souhaitant explorer les possibilités offertes par l’intelligence artificielle (IA). Destiné aux professionnels ayant une bonne maîtrise des concepts orientés objet en PHP et des bases en développement web, il leur permettra de découvrir comment créer et intégrer des algorithmes et des modèles intelligents dans leurs projets.

À travers des explications claires, des exemples concrets et des librairies comme RubixML, l’auteur vous accompagne dans toutes les étapes de la mise en œuvre de l’IA avec PHP. De l’exploration et du nettoyage des données à la sélection et à l’entraînement des modèles, vous apprendrez à résoudre des problèmes métiers complexes grâce aux techniques d’apprentissage supervisé et non supervisé.

Vous découvrirez également comment évaluer la performance des modèles à l’aide de métriques clés, optimiser leurs hyperparamètres et persister vos solutions pour une réutilisation simplifiée. Un guide pratique vous montrera comment interagir avec des modèles de langage bien connus, comme GPT, via des API afin de les intégrer efficacement dans vos projets. Chaque chapitre est conçu pour renforcer vos compétences et vous fournir les bases nécessaires pour maîtriser l’IA appliquée au développement PHP.

Que vous cherchiez à automatiser des tâches, analyser des données ou créer des solutions innovantes, ce livre est un outil essentiel pour transformer vos projets avec l’intelligence artificielle.

Caractéristiques

Reliure spirale - 17 x 21 cm (Médian)
ISBN : 978-2-409-04963-7
EAN : 9782409049637
Ref. ENI : EIMIAPHP

Caractéristiques

HTML
ISBN : 978-2-409-04964-4
EAN : 9782409049644
Ref. ENI : LNEIMIAPHP

Téléchargements

Des fichiers complémentaires (5 562 Ko)

Avant-propos

1. Public concerné et prérequis
2. Objectifs
3. Méthodologie
4. Remerciements

Introduction à l'intelligence artificielle

1. Introduction
2. Définition de l'intelligence artificielle
1. 2.1 Systèmes basés sur des règles
2. 2.2 Le Machine Learning - apprentissage automatique
3. 2.3 Le Deep Learning - apprentissage profond
3. Évolution de l'intelligence artificielle
4. Applications concrètes de l'IA

PHP et l'intelligence artificielle

1. Introduction
2. Place de PHP dans l'IA
1. 2.1 Facilité d'utilisation
2. 2.2 Librairies et frameworks
3. 2.3 Communauté
4. 2.4 Performances
5. 2.5 Écosystème de développement
3. Librairies PHP pour l'IA
1. 3.1 Librairies de création de modèles
  1. 3.1.1 PHP-ML
  2. 3.1.2 Rubix ML
2. 3.2 Librairies de consommation de modèles
4. Configurer l'environnement de développement pour PHP
1. 4.1 Serveur web et PHP 7.4
  1. 4.1.1 Windows
  2. 4.1.2 Linux
  3. 4.1.3 Mac OS
  4. 4.1.4 Extensions PHP
2. 4.2 Librairies PHP

Comprendre et préparer les données

1. Introduction
2. Types de données
1. 2.1 Données numériques
2. 2.2 Données catégorielles
3. 2.3 Données ordinales
4. 2.4 Données textuelles
5. 2.5 Données temporelles
6. 2.6 Données géospatiales
7. 2.7 Données multimédias
8. 2.8 Données logiques/binaires
3. Types d'apprentissage
4. Solutions de visualisation des données
1. 4.1 Diagramme à bâtons
2. 4.2 Diagramme en camembert
3. 4.3 Diagramme nuage de points
4. 4.4 Boîte à moustaches
5. 4.5 Carte de chaleur
6. 4.6 Diagramme de carte géographique
5. Récolte, nettoyage et imputation des données
1. 5.1 Récolte de données au format CSV
2. 5.2 Récolte de données au format NDJSON
3. 5.3 Récolte de données depuis une base de données SQL
4. 5.4 Extraction/Filtrage de colonnes
  1. 5.4.1 Extraction de colonnes
  2. 5.4.2 Filtrage de colonnes
5. 5.5 Les ensembles de données dans Rubix ML
  1. 5.5.1 Création d'un ensemble Labeled
  2. 5.5.2 Création d'un ensemble Unlabeled
  3. 5.5.3 Méthodes de description des ensembles de données
  4. 5.5.4 Méthodes de sélection et de manipulation des ensembles de données
6. 5.6 Nettoyage et imputation des données
  1. 5.6.1 Suppression des doublons
  2. 5.6.2 Traitement en masse des données avec les transformers
  3. 5.6.3 Gestion des données manquantes, imputation des données
6. Exploration et analyse des données
1. 6.1 Analyse univariée des caractéristiques numériques continues
2. 6.2 Analyse univariée des caractéristiques catégorielles
3. 6.3 Analyse multivariée
4. 6.4 Matrice des corrélations
7. Prétraitement des données
1. 7.1 Transformation des données catégorielles en données numériques
2. 7.2 Transformation des données ordinales en données numériques
3. 7.3 Transformer les données binaires en données numériques
4. 7.4 Transformer les données de texte en données numériques
5. 7.5 Transformer les données multimédias en données numériques exploitables
6. 7.6 Standardisation
7. 7.7 Normalisation
8. Réduction des dimensions
1. 8.1 L'analyse en composantes principales
2. 8.2 T-SNE - t-Distributed Stochastic Neighbor Embedding
9. En résumé

Critères de performance et de sélection

1. Introduction
2. Défi de la création du modèle idéal
1. 2.1 Capacité de généralisation
2. 2.2 Sur-apprentissage
3. Évaluation des performances
1. 3.1 Découpage en ensembles d'entraînement et de test
2. 3.2 La validation croisée en K parties (K-folds)
4. Métriques d'évaluation des performances des modèles
1. 4.1 Métriques d'évaluation des modèles de classification
  1. 4.1.1 Matrice de confusion
  2. 4.1.2 Précision globale
  3. 4.1.3 Précision par classe de prédiction
  4. 4.1.4 Rappel d'une classe
  5. 4.1.5 Score F1
  6. 4.1.6 Les métriques des modèles de classification avec Rubix ML
2. 4.2 Métriques d'évaluation des modèles de régression
  1. 4.2.1 Erreur absolue moyenne (Mean Absolute Error)
  2. 4.2.2 Moyenne du carré des erreurs (Mean Squared Error)
  3. 4.2.3 La racine de la moyenne des erreurs au carré (Root Mean Squared Error)
  4. 4.2.4 L'erreur carrée relative (RSE) et le coefficient de détermination R²
  5. 4.2.5 Les métriques des modèles de régression avec Rubix ML
5. Exploitation des métriques d'évaluation dans l'optimisation des hyperparamètres

Algorithmes d'apprentissage supervisé

1. Introduction
2. Algorithmes de régression
1. 2.1 Régression linéaire et multilinéaire
  1. 2.1.1 Régression linéaire
  2. 2.1.2 Régression multilinéaire
  3. 2.1.3 Mise en pratique en PHP avec l'algorithme Ridge
2. 2.2 Arbre de régression
  1. 2.2.1 Principes de fonctionnement d'un arbre de régression
  2. 2.2.2 Points forts/faibles des arbres de régression
  3. 2.2.3 Mise en pratique en PHP
  4. 2.2.4 Le gradient boosting
3. 2.3 Algorithme de régression par les K plus proches voisins
  1. 2.3.1 Principes de fonctionnement de la régression par les K plus proches voisins (KNN)
  2. 2.3.2 Points forts/faibles de KNN
  3. 2.3.3 Notion de distances
  4. 2.3.4 Mise en pratique en PHP
4. 2.4 Algorithme de régression par les machines à vecteur de support (SVR)
  1. 2.4.1 Principes de fonctionnement
  2. 2.4.2 Points forts/faibles
  3. 2.4.3 Mise en pratique en PHP
5. 2.5 Réseaux de neurones appliqués à la régression
  1. 2.5.1 Principes de fonctionnement
  2. 2.5.2 Fonctions d'activation
  3. 2.5.3 Points forts/faibles des réseaux de neurones
  4. 2.5.4 Mise en pratique en PHP
3. Algorithmes de classification
1. 3.1 La régression logistique (classification binaire)
  1. 3.1.1 Principe de fonctionnement
  2. 3.1.2 Points forts/faibles de la régression logistique
  3. 3.1.3 Application en PHP
  4. 3.1.4 One versus all
2. 3.2 Arbre de classification
  1. 3.2.1 Principe de fonctionnement
  2. 3.2.2 Points forts/faibles des arbres de classification
  3. 3.2.3 Mise en pratique en PHP
3. 3.3 Forêt aléatoire
  1. 3.3.1 Principes de fonctionnement
  2. 3.3.2 Avantages/inconvénients par rapport à un arbre simple
  3. 3.3.3 Mise en pratique en PHP
4. 3.4 AdaBoost
  1. 3.4.1 Principes de fonctionnement
  2. 3.4.2 Points forts/faibles d'AdaBoost
  3. 3.4.3 Illustration des modèles à base d'arbres de classification
  4. 3.4.4 Mise en pratique en PHP
5. 3.5 SVC (classificateurs à vecteur de support)
  1. 3.5.1 Principes de fonctionnement
  2. 3.5.2 Points forts/faibles du SVC
  3. 3.5.3 Mise en pratique en PHP
6. 3.6 Classificateur par les K plus proches voisins (KNN classifier)
  1. 3.6.1 Principe de fonctionnement
  2. 3.6.2 Points forts/faibles des algorithmes de classification KNN
  3. 3.6.3 Mise en pratique en PHP
7. 3.7 Réseaux de neurones de classification
  1. 3.7.1 Principe de fonctionnement des réseaux de neurones de classification
  2. 3.7.2 Mise en pratique des réseaux de neurones de classification
8. 3.8 Naive Bayes
  1. 3.8.1 Points forts/faibles des modèles à base de Naive Bayes
  2. 3.8.2 Mise en pratique avec PHP
4. En résumé

Algorithmes d'apprentissage non supervisé

1. Introduction
2. Algorithmes de partitionnement des données/clustering
1. 2.1 Algorithme des K-Moyennes (ou K-Means)
  1. 2.1.1 Principe de fonctionnement de l'algorithme des K-Moyennes
  2. 2.1.2 Points forts/faibles du clustering avec les K-Moyennes
  3. 2.1.3 Mise en pratique en PHP
2. 2.2 Algorithme DBSCAN
  1. 2.2.1 Principe de fonctionnement de DBSCAN
  2. 2.2.2 Points forts/faibles de DBSCAN
  3. 2.2.3 Mise en pratique en PHP
3. Algorithmes de détection d'anomalies
1. 3.1 L'algorithme One-Class SVM
  1. 3.1.1 Principe de fonctionnement
  2. 3.1.2 Points forts/faibles de One-Class SVM
  3. 3.1.3 Mise en pratique en PHP
2. 3.2 Les forêts d'isolation
  1. 3.2.1 Principe de fonctionnement des forêts d'isolation
  2. 3.2.2 Points forts/faibles des forêts d'isolation
  3. 3.2.3 Mise en pratique en PHP
3. 3.3 Algorithme du Z-Score robuste
  1. 3.3.1 Principe de fonctionnement
  2. 3.3.2 Points forts/faibles du Z-Score robuste
  3. 3.3.3 Mise en pratique en PHP
4. En résumé

Persister et réutiliser les modèles

1. Introduction
2. Les objets persistants et les sérialiseurs de Rubix ML
3. Découverte des encodages et des persisteurs dans Rubix ML
4. Mise en pratique de la sauvegarde d'un modèle
5. Mise en pratique du chargement d'un modèle
6. Solutions de déploiement des modèles en production

Choix, optimisation et sélection des modèles

1. Introduction
2. Présélection des modèles les plus adaptés
1. 2.1 Présélection des modèles de régression
2. 2.2 Présélection des modèles de classification
3. 2.3 Stratégies de choix et d'optimisation des hyperparamètres
  1. 2.3.1 Favoriser l'optimisation des hyperparamètres les plus critiques
  2. 2.3.2 Ajustements par variations de granularité
  3. 2.3.3 Utiliser des valeurs aléatoires
3. Sélection des modèles
1. 3.1 Choix du modèle le plus performant
2. 3.2 Choix d'une combinaison de modèles
3. 3.3 Refus des modèles
4. En résumé

Utiliser des modèles tiers via des API

1. Introduction
2. Création des accès à l'API OpenAI
3. Consommation d'un LLM pour répondre à une question textuelle
1. 3.1 Génération d'une réponse à une question textuelle sans contexte spécifié
2. 3.2 Génération d'une réponse à une question textuelle avec contexte
4. Utilisation d'un modèle de vision par ordinateur couplé à un LLM pour récupérer des informations sur des images
5. Utilisation d'un modèle de transcription automatique d'un fichier audio en texte (Speech-To-Text) couplé à un LLM
1. 5.1 Transcription automatique de l'audio vers du texte
2. 5.2 Extraction des données métier à l'aide d'un LLM
6. Création d'un fichier audio à partir d'un texte à l'aide d'un modèle de génération de voix
7. Utilisation d'un embedding pour vectoriser du texte
1. 7.1 Utilisation de l'embedding pour transformer du texte en vecteurs
2. 7.2 Tests sur les similarités sémantiques entre vecteurs
Index

Louis AUTHIE

Consultant et formateur en développement web, Louis AUTHIÉ intervient sur des projets sur mesure mêlant Symfony et d’autres stacks modernes. Il s’investit activement dans l’open source, notamment au sein de la communauté PrestaShop et autour de la bibliothèque RubixML dédiée au Machine Learning en PHP. Spécialiste en intelligence artificielle diplômé du CNAM, il explore depuis 2018 les applications concrètes de l’IA dans l’écosystème PHP. Auteur de plusieurs ouvrages techniques, il s’attache à rendre l’IA accessible aux développeurs web à travers des approches pragmatiques.

PHP et intelligence artificielle : concepts, outils et applications

Informations

Informations

Caractéristiques

Caractéristiques

Téléchargements

Louis AUTHIE

Nos nouveautés