Machine Learning pour l'Ingénieur: De la donnée brute au modèle en production Stack moderne 2026 · Python · UV · PyTorch (Intelligence Artificielle & Machine Learning) (French Edition)

Le machine learning est partout dans l'industrie : usines détectant des défauts en temps réel, systèmes financiers signalant des fraudes, chaînes logistiques prévoyant la demande. Pourtant, les ingénieurs qui l'utilisent font face au même mur : des tutoriels qui montrent comment appeler model.fit() sans expliquer pourquoi, ou des articles de recherche supposant une formation mathématique avancée et ignorant les contraintes industrielles. Ce livre occupe l'espace entre les deux.Son objectif est concret : comment construire une solution de ML solide, justifiée et exploitable en production ? Pourquoi choisir XGBoost plutôt qu'un Random Forest ? Quand une régression linéaire suffit-elle ? Pourquoi un modèle arborescent ne peut-il pas extrapoler hors de son domaine d'entraînement ? Qu'est-ce que le drift, et comment le détecter avant qu'il ne coûte cher ?Ce que vous allez découvrirL'environnement de travail moderne - UV, dataclasses, Pydantic, StrEnum : une architecture professionnelle, reproductible et maintenable.La préparation des données industrielles - séries temporelles de capteurs, images, données ERP : feature engineering ancré dans la physique et le métier.Les statistiques utiles - corrélations de Pearson, Spearman et Kendall, tests d'hypothèses, intervalles de confiance, double ML pour l'estimation causale.L'état de l'art des modèles ML - clustering, détection d'anomalies, modèles linéaires, arbres de décision, Random Forest, XGBoost, LightGBM, CatBoost, SVM, KNN.Les séries temporelles - ARIMA, SARIMA, SARIMAX, ARCH, GARCH, Holt-Winters et validation par walk-forward.Le deep learning avec PyTorch - MLP, CNN 1D et 2D, LSTM, GRU, Transformers, autoencodeurs, modèles de diffusion.Les pièges à éviter - fuite de données, mauvais split temporel, usage abusif de la réduction de dimension.Le MLOps complet - MLflow, FastAPI, Docker, Evidently pour le monitoring et la détection de drift.Quatre cas d'usage industriels réels La dernière partie met en œuvre l'ensemble des compétences sur quatre projets complets, du problème métier au bilan en production :Détection de défauts par analyse d'image - dataset, augmentation, CNN, mise en production, approche par autoencodeur variationnel pour les cas ultra-déséquilibrés. Bilan à 18 mois.Analyse des facteurs influents sur la qualité - feature engineering capteurs/ERP, quantification de l'impact de chaque variable sur les rebuts, plan d'action opérationnel.Détection d'anomalies sur factures sans données labellisées - approche non supervisée, normalisation par fournisseur, boucle de feedback métier. Bilan à 12 mois.Clustering de rapports de maintenance - embeddings sémantiques, HDBSCAN comparé à K-Means et DBSCAN, validation par les experts. Bilan à 12 mois.Comment vous allez le découvrir Chaque chapitre suit une progression en cinq temps, du concret vers le formel :Introduction conceptuelle - le problème que le mécanisme résout, sans formalisme.Analogie - un exemple industriel concret pour ancrer l'intuition.Schéma - une illustration du concept ou de l'architecture.Approfondissement mathématique - les équations, leur dérivation, ce qu'elles nous disent.Implémentation Python - du code complet, intégré au projet du livre, disponible sur GitHub.À qui s'adresse ce livre ? À l'ingénieur praticien - génie industriel, mécanique, électronique, finance quantitative, logistique - qui maîtrise Python à un niveau intermédiaire, a déjà manipulé NumPy, et veut comprendre pourquoi on choisit un modèle plutôt que simplement comment l'appeler. Une curiosité pour les mathématiques suffit. Read more