README.md

Ressources pour le cours de Machine Learning (UNIL, Lettres, MA-ISH)

Sources de données

Généralistes

• Kaggle : https://www.kaggle.com/datasets
• UCI Machine Learning Repository : https://archive.ics.uci.edu/datasets
• IEEEDataport : https://ieee-dataport.org/datasets
• Webz.io : https://webz.io/free-datasets/
• OpendataSoft : https://data.opendatasoft.com/pages/home/
• Yahoo Datasets : https://webscope.sandbox.yahoo.com/
• Recherche de données avec Google : https://datasetsearch.research.google.com/

Données socio-économiques :

• US gov data : https://data.gov/
• OFS : https://www.bfs.admin.ch/bfs/fr/home/statistiques.html
• Opendata swiss : https://opendata.swiss/fr

Images

• Paperswithcode : https://paperswithcode.com/datasets
• ImageNet : https://image-net.org/index.php
• COCO Dataset : https://cocodataset.org/
• CIFAR-10 : https://www.cs.toronto.edu/~kriz/cifar.html

Données textuelles

• Projet Gutenberg : https://www.gutenberg.org/
• Large Movie Review Dataset : https://ai.stanford.edu/~amaas/data/sentiment/
• Movie Reiew Data : http://www.cs.cornell.edu/people/pabo/movie-review-data/
• Wordnet : https://wordnet.princeton.edu/
• Liste de copora : https://en.wikipedia.org/wiki/List_of_text_corpora

Serveurs pour notebooks

• Google Colab: https://colab.research.google.com/
• Paperspace Gradient : https://www.paperspace.com/gradient
• Kaggle : https://www.kaggle.com/
• Amazon SageMaker : https://aws.amazon.com/fr/sagemaker/

Blogs, sites et cours

• Google AI blog : https://ai.googleblog.com/
• OpenAI news : https://openai.com/news/
• Machine Leargning is Fun! : https://www.machinelearningisfun.com/
• Jay Alammar blog : https://jalammar.github.io/
• Machine Learning @ BERKELEY : https://ml.berkeley.edu/blog/
• Machine Learning Mastery : https://machinelearningmastery.com/blog/
• Towards data science : https://towardsdatascience.com/
• NLP-progress : http://nlpprogress.com/
• Cours fast-ai : https://course.fast.ai/
• Cours Andrew Ng : https://www.coursera.org/learn/machine-learning

Livres

Théoriques

Bishop, C. M. (2016). Pattern Recognition and Machine Learning (Softcover reprint of the original 1st edition 2006 (corrected at 8th printing 2009)). Springer New York.

Bishop, C. M., & Bishop, H. (2023). Deep learning: Foundations and concepts. Springer Nature.

Hastie, T., Tibshirani, R., & Friedman, J. H. (2009). The elements of statistical learning : Data mining, inference, and prediction (2nd ed). Springer.

Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. The MIT Press.

Izenman, A. J. (2008). Modern multivariate statistical techniques : Regression, classification, and manifold learning. Springer.

Pratiques

Géron, A. (2019). Hands-on machine learning with Scikit-Learn, Keras, and TensorFlow : Concepts, tools, and techniques to build intelligent systems (Second edition). O’Reilly Media, Inc.

Stevens, E., Antiga, L., & Viehmann, T. (2020). Deep learning with PyTorch. Manning Publications Co.

Howard, J., & Gugger, S. (2020). Deep learning for coders with fastai and PyTorch : AI applications without a PhD (First edition). O’Reilly.

Chollet, F. (2020). L’apprentissage profond avec Python. machinelearning.fr.