Trois profils, trois types de lectures
- Comprendre sans être technicien : Artificial Intelligence: A Guide for Thinking Humans et Quand la machine apprend expliquent les principes sans jargon.
- Se former à la pratique : Machine Learning avec Scikit-Learn puis L'apprentissage profond avec Python, avec du code à exécuter.
- Réfléchir aux enjeux : Algorithmes : la bombe à retardement, The Alignment Problem, Atlas of AI, Human Compatible.
Vérifier l'auteur et la date
Privilégiez les auteurs qui sont chercheurs ou praticiens reconnus du domaine. Pour les livres pratiques, la date d'édition est décisive : les bibliothèques logicielles évoluent vite et une traduction ancienne peut contenir du code qui ne fonctionne plus. Les ouvrages de réflexion vieillissent moins, mais vérifiez qu'ils ne présentent pas comme futurs des développements déjà advenus.
Pour aller plus loin : les manuels de référence
Intelligence artificielle est le manuel universitaire de référence sur l'ensemble du domaine. Deep Learning pose les bases mathématiques de l'apprentissage profond, et ses auteurs en proposent une version complète consultable gratuitement en ligne. Superintelligence est le livre fondateur du débat sur les risques à long terme.
Prérequis à prévoir
- Pour les livres pratiques : savoir programmer en Python.
- Pour les manuels théoriques : algèbre linéaire, probabilités et un peu d'optimisation.
- Pour les essais : aucun prérequis, seulement de la curiosité.
Quel format choisir
Les manuels pratiques se lisent mieux sur ordinateur ou en ebook, à côté d'un environnement de code. Les essais se prêtent bien au papier ou à l'audio. Beaucoup de titres n'existent qu'en anglais : nous l'indiquons sur chaque fiche.
