Apprendre le machine learning sans toucher aux mathématiques, c’est possible jusqu’à un certain point. Mais pour vraiment comprendre ce qui se passe sous le capot des modèles, il faut bien finir par ouvrir un livre sérieux. Et là, le choix n’est pas anodin : certains ouvrages font vraiment la différence entre une compréhension superficielle et une maîtrise solide des concepts.
Des références comme le Bishop ou le Murphy sont souvent citées dans les cursus universitaires et les discussions entre praticiens, parfois avec une certaine révérence, parfois avec un soupir face à leur densité. Ce sont des livres exigeants, c’est vrai, mais ils restent parmi les plus complets pour qui veut construire des bases rigoureuses en probabilités, en optimisation et en statistiques appliquées au machine learning.
Datauniversity.fr fait le point sur les meilleurs livres de machine learning orientés mathématiques, pour vous aider à choisir celui qui correspond vraiment à votre niveau et à vos objectifs.
Les livres incontournables pour débuter (sans se noyer dans les maths)
Quand on commence à s’intéresser au machine learning, la première question qui vient naturellement c’est : par où commencer sans se perdre ? Bonne nouvelle, il existe des ouvrages pensés exactement pour ça.
Oliver Theobald et son guide pour débutants absolus est souvent cité comme le point d’entrée idéal. Pas de formules intimidantes, pas de jargon inutile : on entre dans le sujet comme on apprendrait à cuisiner, étape par étape.
Le Livre de cent pages sur l’apprentissage automatique d’Andriy Burkov mérite aussi une mention spéciale. L’idée est simple : condenser l’essentiel en un format court, ce qui oblige l’auteur à aller droit au but, et ça marche vraiment bien pour poser les bases.
Pour ceux qui ont déjà un peu touché à Python, deux livres changent la donne :
- Introduction à l’apprentissage automatique avec Python, Andreas C. Müller et Sarah Guido
- Apprentissage automatique pratique avec Scikit-Learn, Keras et TensorFlow, Aurélien Géron
Ces deux ouvrages partent du principe que vous savez coder, mais pas forcément modéliser. Ils vous montrent comment passer du code brut à des modèles qui apprennent vraiment, avec des exemples concrets et des bibliothèques que l’industrie utilise tous les jours.
Quand la théorie entre en jeu (les livres pour aller plus loin)
À un moment, les tutoriels ne suffisent plus. On veut comprendre pourquoi un algorithme fonctionne, pas juste comment l’appeler. C’est là que les ouvrages théoriques deviennent vos meilleurs alliés.
Stuart Russell et Peter Norvig, référence mondiale en intelligence artificielle, proposent dans leur livre une vision globale et rigoureuse du domaine. C’est dense, c’est ambitieux, mais c’est le genre d’ouvrage qu’on garde sur son bureau pendant des années.
Pour les programmeurs qui viennent du développement sans bagage mathématique, deux livres font office de pont :
- Machine Learning pour les spécialistes en informatique, Drew Conway et John Myles White
- L’intelligence artificielle et l’apprentissage automatique pour les développeurs, Laurence Moroney
L’idée ici n’est pas de transformer un développeur en statisticien du jour au lendemain, mais de lui donner les bons réflexes pour lire, comprendre et implémenter des modèles sans paniquer devant une équation.
« L’apprentissage automatique, c’est avant tout de la statistique appliquée à grande échelle, comprendre les fondements change tout à la façon dont on construit des modèles. »
Le livre de Kelleher, Mac Namee et D’Arcy sur les Principes fondamentaux de l’apprentissage automatique pour l’analyse prédictive est particulièrement utile pour ancrer la théorie dans des cas d’usage réels, comme la prédiction de ventes ou la détection de fraudes.
Kevin P. Murphy et Bishop : les références mathématiques sérieuses (pour les courageux)
On arrive maintenant dans la cour des grands. Si vous cherchez des ouvrages qui traitent le machine learning avec toute sa rigueur mathématique, deux noms reviennent systématiquement : Bishop et Murphy. Et franchement, ce n’est pas pour rien.
Kevin P. Murphy, auteur de Machine Learning paru en septembre 2012, a produit ce qui est devenu une bible du domaine. L’approche est probabiliste : tout est vu à travers le prisme des modèles de probabilité et de l’inférence bayésienne, ce qui donne une cohérence remarquable à l’ensemble.
Voici un aperçu comparatif de ses trois ouvrages majeurs :
| Titre | Date de parution | Prix indicatif | Public cible |
|---|---|---|---|
| Machine Learning | 7 septembre 2012 | 122,64 € | Étudiants avancés, chercheurs |
| Probabilistic Machine Learning (vol. 1) | 1 mars 2022 | 122,63 € | Modélisation probabiliste et décision bayésienne |
| Probabilistic Machine Learning (vol. 2) | 15 août 2023 | 147,16 € | Chercheurs, apprentissage profond avancé |
Le premier Machine Learning est disponible neuf à partir de 125,33 € (avec 4,99 € de frais de livraison) chez certains vendeurs, ou en occasion autour de 91,85 €. Le livre pèse 2,02 kg, ce qui vous donne une idée de la densité du contenu, et ce n’est pas une métaphore.
Mentionnons aussi deux ouvrages qui complètent parfaitement cette liste pour les élèves avancés :
- Apprentissage par renforcement : Introduction, Richard S. Sutton et Andrew G. Barto
- Inférence causale en statistique, Judea Pearl, Madelyn Glymour et Nicholas P. Jewell
Ces deux livres abordent des territoires que beaucoup évitent, le renforcement et la causalité, mais qui sont aujourd’hui au cœur des recherches les plus avancées en IA. Si vous voulez comprendre comment une machine apprend de ses erreurs ou comment distinguer corrélation et causalité, ces ouvrages sont tout simplement indispensables.
Bishop en détail : ce que le livre vous apporte vraiment (et ce qu’il exige de vous)
On parle souvent de Bishop comme d’une référence, mais rarement de ce qu’il faut concrètement pour en tirer profit. Voici ce qu’il faut savoir avant de l’acheter.
Pattern Recognition and Machine Learning de Christopher Bishop, publié en 2006, reste à ce jour l’un des ouvrages les plus cités dans les thèses et articles académiques sur le machine learning. Ce n’est pas un livre qu’on lit du début à la fin comme un roman : c’est plutôt une ressource qu’on consulte, qu’on annote, qu’on relit différemment selon son niveau du moment. Ce qui est assez rare pour être souligné, c’est que Bishop rend disponible gratuitement la version PDF sur son site officiel, ce qui lève un frein non négligeable vu le prix de l’édition papier.
Bishop suppose que vous maîtrisez le calcul différentiel, l'algèbre linéaire et les probabilités de base : sans ça, les premiers chapitres peuvent décourager rapidement.
Concrètement, si vous avez suivi un cours de statistiques à l’université ou que vous êtes à l’aise avec des notions comme la loi normale ou les matrices, vous avez le bagage minimum. Sinon, un passage par un cours de révision mathématique en ligne avant d’ouvrir Bishop est franchement conseillé.
Quel niveau de maths faut-il vraiment pour ces livres ? (la question que tout le monde se pose)
C’est la vraie question, et autant y répondre franchement. Les livres de Murphy et Bishop ne sont pas accessibles au même niveau, même s’ils traitent des mêmes sujets.
- Bishop (2006) : algèbre linéaire solide, probabilités bayésiennes, calcul différentiel, niveau licence scientifique minimum
- Murphy vol. 1 (2022) : similaire à Bishop, mais avec une écriture plus moderne et des connexions explicites au deep learning
- Murphy vol. 2 (2023) : réservé aux lecteurs déjà à l’aise avec le vol. 1, il plonge dans des architectures avancées comme les transformers et les modèles génératifs
- Sutton & Barto : nécessite de comprendre les processus de décision markoviens, mais reste plus accessible que Murphy vol. 2
En pratique, beaucoup de praticiens lisent ces livres en parallèle d’un cours en ligne, en utilisant le livre pour comprendre pourquoi et le cours pour voir comment. C’est une combinaison qui fonctionne bien, notamment parce que ces ouvrages ne proposent pas toujours d’exercices guidés avec correction.
Des ressources complémentaires pour ne pas rester seul face aux équations (parce que ça arrive)
Lire Bishop ou Murphy seul dans son coin, c’est possible, mais honnêtement, beaucoup abandonnent au bout de quelques chapitres. Pas par manque d’intelligence, mais par manque de contexte. Quelques ressources changent vraiment la donne quand on travaille ces livres en profondeur.
Les notes de cours de Stanford CS229 (disponibles gratuitement en ligne) couvrent une grande partie du contenu de Bishop avec des explications plus accessibles et des exemples numériques pas à pas. De même, la chaîne YouTube de 3Blue1Brown sur l’algèbre linéaire et les réseaux de neurones permet de visualiser des concepts qui restent abstraits à la lecture. Partant du principe qu’une intuition visuelle précède souvent la compréhension formelle, ces supports fonctionnent très bien en amont ou en parallèle des ouvrages théoriques. Ce n’est pas tricher que de chercher plusieurs angles d’approche : c’est exactement ce que font les bons étudiants en master et en doctorat.
Trois livres pour apprendre le machine learning (sans se perdre dès la page 1)
Si vous cherchez par où commencer sérieusement, le livre de Murphy est une référence solide : il a remporté le prix DeGroot 2013, ce qui n’est pas rien dans le monde académique. C’est le genre d’ouvrage qu’on garde sur son bureau longtemps après l’avoir « fini ».
Pour ceux qui veulent une porte d’entrée plus douce vers la théorie mathématique, le livre de Witten et al., Exploration de données : Outils et techniques pratiques d’apprentissage automatique, mêle concepts théoriques et exemples concrets. Autrement dit, vous ne lisez pas des formules dans le vide, vous voyez à quoi elles servent vraiment.
Et si vous souhaitez aller plus loin, notamment vers les réseaux de neurones, le Deep Learning de Goodfellow et al. Vient compléter naturellement les ouvrages mathématiques mentionnés. Pensez-y comme à un troisième étage : on ne monte pas là-dedans sans avoir posé les fondations avant.
Machine learning books you should read in 2020 | best machine learning books
