Math & sens. Apprivoiser l'espace et le monde des formes. Guide méthodologique

Cet ouvrage est destiné aux enseignants et futurs enseignants de l'école maternelle, primaire et du début du secondaire. Il explicite et illustre de façon rigoureuse et accessible la matière à enseigner de QUOI s'agit-il ? pourquoi est-ce important dans le parcours de l'élève ? Les définitions s'adressent aux adultes, leur donnant une signification explicite, précise, juste de la matière. Des Illustrations variées contextualisent ces définitions pour évoquer des situations possibles dans les différents niveaux d'enseignement. Des points d'attention ciblent une difficulté, un abus, une particularité, une erreur... dont il faut prendre conscience en tant qu'enseignant. Des pourquoi ponctuent régulièrement le texte pour faire valoir l'articulation des notions à enseigner, les obstacles à faire dépasser, la production de sens et favoriser la compréhension par les élèves. Des renvois sommaires à des activités de Math & Sens et d'autres ouvrages didactiques jalonnent ces différents éléments et ouvrent ainsi sur des "comment" multiples.

L'apprentissage automatique (Machine Learning) est aujourd'hui en pleine explosion. Mais de quoi s'agit-il exactement, et comment pouvez-vous le mettre en oeuvre dans vos propres projets ? L'objectif de cet ouvrage est de vous expliquer les concepts fondamentaux du Machine Learning et de vous apprendre à maîtriser les outils qui vous permettront de créer vous-même des systèmes capables d'apprentissage automatique. Vous apprendrez ainsi à utiliser Scikit-Learn, un outil open source très simple et néanmoins très puissant que vous pourrez mettre en oeuvre dans vos systèmes en production. Apprendre les bases du Machine Learning en suivant pas à pas toutes les étapes d'un projet utilisant Scikit-Learn et pandas. Ouvrir les boites noires pour comprendre comment fonctionnent les algorithmes. Explorer plusieurs modèles d'entraînement, notamment les machines à vecteur de support (SVM). Comprendre le modèle des arbres de décision et celui des forêts aléatoires, et exploiter la puissance des méthodes ensemblistes. Exploiter des techniques d'apprentissage non supervisées telles que la réduction de dimensionnalite. la classification et la détection d'anomalies.