L'IA, comment ça marche ?

Arduino constitue un excellent moyen de faire ses premiers pas sans connaissances préalables en électronique numérique. Si vous êtes plutôt du genre ingénieur ou inventeur et que vous souhaitiez vous servir d'Arduino pour développer des projets innovants, il va vous falloir creuser davantage le sujet. Ce guide complet unique en son genre explore justement cette plate-forme de prototypage électronique open source sous tous ses aspects, aussi bien internes qu'externes. Comme aucun mode d'emploi n'est fourni avec une carte Arduino, l'auteur de ce livre, expert en systèmes embarqués, a réuni ici toutes les informations et connaissances qu'il a pu recenser ou acquérir au cours de ses nombreux projets. Tout est abordé : les microcontrôleurs AVR, les outils de la chaîne de compilation, l'amorceur bootloader, les librairies de fonctions essentielles, les cartes boucliers, les modules et les composants capteurs et actionneurs. Ce livre propose en outre quatre projets professionnels dont vous pourrez vous inspirer pour vos propres applications. Caractéristiques physiques et brochage des entrées-sorties des cartes Arduino. Microcontrôleurs Arduino AVR embarqués dans les cartes Arduino. Atelier Arduino de développement de croquis. Programmer pour Arduino sans l'atelier Arduino. Familles de boucliers d'acquisition de données (communication, mémoire, Bluetooth, relais, etc.). Familles de capteurs, modules, claviers, afficheurs et actionneurs pour Arduino. Techniques pour créer votre propre bouclier compatible. Analyse des besoins et conception d'un jeu d'exigences testables pour garantir la réussite d'un projet.

Entrez de plain-pied dans le monde fascinant la data science avec cet ouvrage pratique, véritable pense bête de tous les data scientists, ingénieurs ou programmeurs Vous aussi participez à la révolution qui ramène l'intelligence artificielle au coeur de notre société, grace aux data scientists. La data science consiste à traduire des problèmes de toute autre nature, en problèmes de modélisation quantitative, résolus par des algorithmes de traitement. Au programme : Les différentes versions de Python L'apprentissage non supervisé et le préprocessing Représenter les données Processus de validation Algorithmes, chaînes et pipeline Travailler avec des données de type texte Utiliser Sikit-learn

La simplicité de Python vous permet de devenir rapidement productif, mais cela signifie souvent que vous n'utilisez pas tout ce que ce langage a à vous offrir. Grèce à ce livre, vous apprendrez à écrire du code Python à la fois efficace et idiomatique, en tirant parti de ses fonctionnalités les meilleures (et pourtant peut-être les plus négligées). L'auteur, expert renommé de Python, vous présente les bibliothèques centrales de ce langage, et vous montre comment rendre votre code à la fois plus court, plus rapide et plus lisible. Beaucoup trop de programmeurs expérimentés essaient de forcer Python è s'adapter aux modèles qu'ils ont appris avec d'autres langages, sans jamais exploiter les fonctionnalités spécifiques à Python et qu'ils n'ont pas rencontrées dans leur pratique antérieure. Avec ce livre, ces programmeurs vont apprendre de manière approfondie à devenir performants en Python 3.x !

Acquérez les compétences nécessaires pour concevoir, construire et déployer des applications fondées sur l'apprentissage automatique (ou ML, pour machine learning). Au cours de ce livre pratique, vous construirez un exemple d'application, en allant de l'idée initiale au produit déployé. Que vous soyez spécialiste des données, ingénieur logiciel ou encore chef de produit, aussi bien professionnel expérimenté que novice, vous apprendrez pas à pas les outils, les meilleures pratiques dans ce domaine, ainsi que les défis liés à la création d'une application ML du monde réel. L'auteur, data scientist expérimenté qui a dirigé un programme d'éducation sur le ML, explique les concepts du ML par la pratique en utilisant des extraits de code, des illustrations, des captures d'écran et des entretiens avec des experts. La première partie vous explique comment planifier une application ML et en mesurer la réussite. La deuxième partie apprend à construire un modèle de ML fonctionnel. La troisième partie vise à améliorer le modèle jusqu'à ce qu'il corresponde totalement à votre vision initiale. La quatrième partie couvre les stratégies de déploiement et de monitoring. Définissez l'objectif fixé pour votre produit et configurez un problème d'apprentissage automatique. Construisez rapidement votre premier pipeline de bout en bout et acquérez un jeu de données initial. Entraînez et évaluez vos modèles de ML, et attaquez-vous aux goulets d'étranglement des performances. Déployez et monitorez vos modèles dans un environnement de production.