Ce support s’adresse à toute personne qui désire mieux comprendre et utiliser les algorithmes pour améliorer sa pratique de la programmation, et acquérir une compréhension de base des domaines du Machine Learning et du Deep Learning.

L’auteur commence par parler de logique pour aider le lecteur dans sa compréhension des algorithmes classiques et des règles de programmation. Il sera ainsi armé pour étudier les bases propres à tout langage de programmation : les variables, les opérateurs, les conditions, les boucles, les fonctions…

Dans la suite du support, l’auteur détaille ce qui fait la spécificité, l’intérêt et la puissance des algorithmes dits intelligents, dédiés au Machine Learning ou au Deep Learning. Il donne au lecteur des exemples d’applications modernes et montre comment les utiliser concrètement dans des programmes informatiques.

La plupart des algorithmes de ce support sont traduits en Python et en JavaScript. Les sources, directement utilisables, sont disponibles en téléchargement sur le site www.editions-eni.fr.

Téléchargements

• Des fichiers complémentaires (395 Ko)

L’histoire de l’algorithmique

1. 1. Atteindre des objectifs
2. 2. Où trouve-t-on les algorithmes ?
3. 3. Depuis quand les algorithmes existent-ils ?
4. 4. Les algorithmes et les ordinateurs
   1. 4.1 Des algorithmes inspirés de la nature
   2. 4.2 L’algorithmique, un jeu de logique inspiré du fonctionnement du cerveau

Les langages de programmation

1. 1. Le binaire et le programmeur
2. 2. Du binaire aux langages de programmation
3. 3. Le bon et le mauvais programmeur
4. 4. Organigramme et pseudo-code
5. 5. Python et JavaScript

Un peu de logique

1. 1. Êtes-vous logique ?
2. 2. Les biais cognitifs
3. 3. Quelques définitions importantes
4. 4. Les types de raisonnements
5. 5. Les quantificateurs
6. 6. Résoudre les bogues de façon logique
7. 7. Exercices

Les variables

1. 1. Introduction
2. 2. Création et nommage des variables
3. 3. Les types des variables
4. 4. Affectation de variables
5. 5. Les tableaux à une dimension
6. 6. Les tableaux à plusieurs dimensions
7. 7. Un premier programme
8. 8. Programmer avec Python en utilisant Google Colaboratory
9. 9. Programmer avec JavaScript

Les opérateurs

1. 1. Introduction
2. 2. Les opérateurs d’affectation
3. 3. Les opérateurs arithmétiques
4. 4. Les opérateurs alphanumériques
5. 5. Les opérateurs logiques
6. 6. Les opérateurs de comparaison

Les conditions

1. 1. Un booléen sinon rien
2. 2. Écrire des structures conditionnelles
3. 3. Les conditions imbriquées
4. 4. Des conditions avec des choix prédéfinis

Les boucles

1. 1. Introduction
2. 2. La boucle Pour
3. 3. La boucle Tant que
4. 4. La boucle infinie
5. 5. Les boucles imbriquées

Les fonctions et la programmation orientée objet

1. 1. Introduction
2. 2. Un programmeur, ça DRY
3. 3. Écrire une procédure
4. 4. Les paramètres
5. 5. Écrire une fonction
6. 6. Les fonctions dans les langages de programmation
7. 7. Utiliser des fonctions déjà existantes
   1. 7.1 Cas du langage Python
   2. 7.2 Cas du langage JavaScript
   3. 7.3 Exemple de fonctions très pratiques
8. 8. La programmation orientée objet
   1. 8.1 Exemples de méthodes très pratiques
   2. 8.2 Créer une première classe

La complexité algorithmique

1. 1. Introduction
2. 2. La complexité spatiale
3. 3. La complexité temporelle
4. 4. Notation
5. 5. Exemple de la recherche d’un élément dans une liste

La récursivité

1. 1. Introduction
2. 2. Une factorielle récursive
3. 3. Fibonacci récursif

Les algorithmes d’intelligence artificielle

1. 1. Surmonter le paradoxe de Polanyi
2. 2. Quelques applications de l’intelligence artificielle
3. 3. Les différents types d’intelligence
4. 4. Comment fonctionnent les algorithmes d’intelligence artificielle ?
5. 5. Les données, la nourriture des algorithmes d’intelligence artificielle
6. 6. Les dangers liés à l’intelligence artificielle

L’analyse des données

1. 1. Introduction
2. 2. Récupération des données
3. 3. Les outils de l’analyse de données
4. 4. Manipulation d’arrays avec NumPy
   1. 4.1 Importer Numpy
   2. 4.2 Créer un array
   3. 4.3 Accéder aux éléments d’un array
   4. 4.4 Obtenir des informations d’un array
   5. 4.5 Modifier le type d’un array
   6. 4.6 Effectuer des opérations mathématiques sur un array
   7. 4.7 Les autres méthodes utiles
5. 5. Manipulation de dataframes avec Pandas
   1. 5.1 Importer Pandas
   2. 5.2 Créer un dataframe à partir de plusieurs objets
   3. 5.3 Les séries Pandas
   4. 5.4 Trier un dataframe
   5. 5.5 Nettoyer un dataframe
   6. 5.6 Effectuer des opérations statistiques dans un dataframe
6. 6. Visualisation des données avec Matplotlib et Seaborn
7. 7. Encodage et normalisation des données avec Scikit learn
   1. 7.1 Introduction
   2. 7.2 Encodage
   3. 7.3 Normalisation
   4. 7.4 Train et test split

Le machine learning

1. 1. Définition du machine learning
2. 2. Le métier de data scientist
3. 3. Cas de l’analyse des prix du loyer
4. 4. Découvrir des modèles très utilisés
   1. 4.1 La régression linéaire
   2. 4.2 La régression polynomiale
   3. 4.3 Le clustering K-moyennes
   4. 4.4 L’analyse en composantes principales
   5. 4.5 L’algorithme des K plus proches voisins
5. 5. Notre choix de modèle
6. 6. Exemples d’applications
7. 7. Faire du machine learning avec JavaScript
   1. 7.1 Math.js
   2. 7.2 Plotly.js
   3. 7.3 La régression linéaire simple avec JavaScript

Le deep learning

1. 1. Introduction
2. 2. Comment ça, des neurones ?
3. 3. Comment fonctionnent les neurones artificiels ?
4. 4. Les applications
5. 5. Classification supervisée avec du deep learning
6. 6. D’autres modèles très puissants
7. 7. La bibliothèque OpenCV
8. 8. Faire du deep learning avec JavaScript

L’apprentissage par renforcement

1. 1. Introduction
2. 2. Les bases de l’apprentissage par renforcement
3. 3. Les processus de décision markoviens
4. 4. Exemple d’algorithme par renforcement
5. 5. Exemples d’applications
8. Index