PHP et intelligence artificielle : concepts, outils et applications

Louis AUTHIE

Imprimé39 €

Informations

Livraison possible dès le 26 mai 2025

Livraison à partir de 0,01 €
Version en ligne offerte pendant 1 an

Livres rédigés par des auteurs francophones et imprimés à Nantes

Caractéristiques

Livre (broché) - 17 x 21 cm
ISBN : 978-2-409-04961-3
EAN : 9782409049613
Ref. ENI : EIIAPHP

En ligne29,26 €

Informations

Consultable en ligne immédiatement après validation du paiement et pour une durée de 10 ans.
Version HTML

Livres rédigés par des auteurs francophones et imprimés à Nantes

Caractéristiques

HTML
ISBN : 978-2-409-04962-0
EAN : 9782409049620
Ref. ENI : LNEIIAPHP

Les points forts du livre :

Une démarche progressive et opérationnelle pour intégrer l’IA dans des projets PHP,
Une mise en pratique avec des outils adaptés aux développeurs PHP, dont RubixML,
Un ancrage métier fort : l’IA comme levier de création de valeur dans les projets web

Consulter des extraits du livre en ligne Aperçu du livre papier

Niveau Confirmé à Expert
Nombre de pages 350 pages
Parution mai 2025

Niveau Confirmé à Expert
Parution mai 2025

Présentation

Ce livre s’adresse aux développeurs PHP souhaitant explorer les possibilités offertes par l’intelligence artificielle (IA). Destiné aux professionnels ayant une bonne maîtrise des concepts orientés objet en PHP et des bases en développement web, il leur permettra de découvrir comment créer et intégrer des algorithmes et des modèles intelligents dans leurs projets.

À travers des explications claires, des exemples concrets et des librairies comme RubixML, l’auteur vous accompagne dans toutes les étapes de la mise en œuvre de l’IA avec PHP. De l’exploration et du nettoyage des données à la sélection et à l’entraînement des modèles, vous apprendrez à résoudre des problèmes métiers complexes grâce aux techniques d’apprentissage supervisé et non supervisé.

Vous découvrirez également comment évaluer la performance des modèles à l’aide de métriques clés, optimiser leurs hyperparamètres et persister vos solutions pour une réutilisation simplifiée. Un guide pratique vous montrera comment interagir avec des modèles de langage bien connus, comme GPT, via des API afin de les intégrer efficacement dans vos projets. Chaque chapitre est conçu pour renforcer vos compétences et vous fournir les bases nécessaires pour maîtriser l’IA appliquée au développement PHP.

Que vous cherchiez à automatiser des tâches, analyser des données ou créer des solutions innovantes, ce livre est un outil essentiel pour transformer vos projets avec l’intelligence artificielle.

Téléchargements

Des fichiers complémentaires (5 562 Ko)

Table des matières

Avant-propos

Introduction
Public concerné et prérequis
Objectifs
Méthodologie
Remerciements

Introduction à l'intelligence artificielle

Introduction
Définition de l'intelligence artificielle
1. 1. Systèmes basés sur des règles
2. 2. Le Machine Learning - apprentissage automatique
3. 3. Le Deep Learning - apprentissage profond
Évolution de l'intelligence artificielle
Applications concrètes de l'IA

PHP et l'intelligence artificielle

Introduction
Place de PHP dans l'IA
1. 1. Facilité d’utilisation
2. 2. Librairies et frameworks
3. 3. Communauté
4. 4. Performances
5. 5. Écosystème de développement
Librairies PHP pour l'IA
1. 1. Librairies de création de modèles
  1. a. PHP-ML
  2. b. Rubix ML
2. 2. Librairies de consommation de modèles
Configurer l'environnement de développement pour PHP
1. 1. Serveur web et PHP 7.4
  1. a. Windows
  2. b. Linux
  3. c. Mac OS
  4. d. Extensions PHP
2. 2. Librairies PHP

Comprendre et préparer les données

Introduction
Types de données
1. 1. Données numériques
2. 2. Données catégorielles
3. 3. Données ordinales
4. 4. Données textuelles
5. 5. Données temporelles
6. 6. Données géospatiales
7. 7. Données multimédias
8. 8. Données logiques/binaires
Types d'apprentissage
Solutions de visualisation des données
1. 1. Diagramme à bâtons
2. 2. Diagramme en camembert
3. 3. Diagramme nuage de points
4. 4. Boîte à moustaches
5. 5. Carte de chaleur
6. 6. Diagramme de carte géographique
Récolte, nettoyage et imputation des données
1. 1. Récolte de données au format CSV
2. 2. Récolte de données au format NDJSON
3. 3. Récolte de données depuis une basede données SQL
4. 4. Extraction/Filtrage de colonnes
  1. a. Extraction de colonnes
  2. b. Filtrage de colonnes
5. 5. Les ensembles de données dans Rubix ML
  1. a. Création d’un ensemble Labeled
  2. b. Création d’un ensemble Unlabeled
  3. c. Méthodes de description des ensembles dedonnées
  4. d. Méthodes de sélection et de manipulationdes ensembles de données
6. 6. Nettoyage et imputation des données
  1. a. Suppression des doublons
  2. b. Traitement en masse des données avec les transformers
  3. c. Gestion des données manquantes, imputationdes données
Exploration et analyse des données
1. 1. Analyse univariée des caractéristiquesnumériques continues
2. 2. Analyse univariée des caractéristiquescatégorielles
3. 3. Analyse multivariée
4. 4. Matrice des corrélations
Prétraitement des données
1. 1. Transformation des données catégoriellesen données numériques
2. 2. Transformation des données ordinales en données numériques
3. 3. Transformer les données binaires en données numériques
4. 4. Transformer les données de texte en données numériques
5. 5. Transformer les données multimédiasen données numériques exploitables
6. 6. Standardisation
7. 7. Normalisation
Réduction des dimensions
1. 1. L’analyse en composantes principales
2. 2. T-SNE - t-Distributed Stochastic Neighbor Embedding
En résumé

Critères de performance et de sélection

Introduction
Défi de la création du modèle idéal
1. 1. Capacité de généralisation
2. 2. Sur-apprentissage
Évaluation des performances
1. 1. Découpage en ensembles d’entraînementet de test
2. 2. La validation croisée en K parties (K-folds)
Métriques d'évaluation des performances des modèles
1. 1. Métriques d’évaluation des modèlesde classification
  1. a. Matrice de confusion
  2. b. Précision globale
  3. c. Précision par classe de prédiction
  4. d. Rappel d’une classe
  5. e. Score F1
  6. f. Les métriques des modèles de classification avecRubix ML
2. 2. Métriques d’évaluation des modèlesde régression
  1. a. Erreur absolue moyenne (Mean Absolute Error)
  2. b. Moyenne du carré des erreurs (Mean SquaredError)
  3. c. La racine de la moyenne des erreurs au carré (RootMean Squared Error)
  4. d. L’erreur carrée relative (RSE) et le coefficientde détermination R²
  5. e. Les métriques des modèles de régressionavec Rubix ML
Exploitation des métriques d'évaluation dans l'optimisation des hyperparamètres

Algorithmes d'apprentissage supervisé

Introduction
Algorithmes de régression
1. 1. Régression linéaire et multilinéaire
  1. a. Régression linéaire
  2. b. Régression multilinéaire
  3. c. Mise en pratique en PHP avec l’algorithme Ridge
2. 2. Arbre de régression
  1. a. Principe de fonctionnement d’un arbre de régression
  2. b. Points forts/faibles des arbres de régression
  3. c. Mise en pratique en PHP
  4. d. Le gradient boosting
3. 3. Algorithme de régression par les K plus prochesvoisins
  1. a. Principes de fonctionnement de la régressionpar les K plus proches voisins (KNN)
  2. b. Points forts/faibles de KNN
  3. c. Notion de distances
  4. d. Mise en pratique en PHP
4. 4. Algorithme de régression par les machines à vecteurde support (SVR)
  1. a. Principes de fonctionnement
  2. b. Points forts/faibles
  3. c. Mise en pratique en PHP
5. 5. Réseaux de neurones appliqués à larégression
  1. a. Principes de fonctionnement
  2. b. Fonctions d’activation
  3. c. Points forts/faibles des réseauxde neurones
  4. d. Mise en pratique en PHP
Algorithmes de classification
1. 1. La régression logistique (classificationbinaire)
  1. a. Principe de fonctionnement
  2. b. Points forts/faibles de la régressionlogistique
  3. c. Application en PHP
  4. d. One versus all
2. 2. Arbre de classification
  1. a. Principe de fonctionnement
  2. b. Points forts/faibles des arbres de classification
  3. c. Mise en pratique en PHP
3. 3. Forêt aléatoire
  1. a. Principes de fonctionnement
  2. b. Avantages/inconvénients par rapport à unarbre simple
  3. c. Mise en pratique en PHP
4. 4. AdaBoost
  1. a. Principes de fonctionnement
  2. b. Points forts/faibles d’AdaBoost
  3. c. Illustration des modèles à based’arbres de classification
  4. d. Mise en pratique en PHP
5. 5. SVC (classificateurs à vecteur de support)
  1. a. Principes de fonctionnement
  2. b. Points forts/faibles du SVC
  3. c. Mise en pratique en PHP
6. 6. Classificateur par les K plus proches voisins (KNNclassifier)
  1. a. Principe de fonctionnement
  2. b. Points forts/faibles des algorithmes de classificationKNN
  3. c. Mise en pratique en PHP
7. 7. Réseaux de neurones de classification
  1. a. Principe de fonctionnement des réseaux deneurones de classification
  2. b. Mise en pratique des réseaux de neuronesde classification
8. 8. Naive Bayes
  1. a. Points forts/faibles des modèles à basede Naive Bayes
  2. b. Mise en pratique avec PHP
En résumé

Algorithmes d'apprentissage non supervisé

Introduction
Algorithmes de partitionnement des données/clustering
1. 1. Algorithme des K-Moyennes (ou K-Means)
  1. a. Principe de fonctionnement de l’algorithme des K-Moyennes
  2. b. Points forts/faibles du clustering avec lesK-Moyennes
  3. c. Mise en pratique en PHP
2. 2. Algorithme DBSCAN
  1. a. Principe de fonctionnement de DBSCAN
  2. b. Points forts/faibles de DBSCAN
  3. c. Mise en pratique en PHP
Algorithmes de détection d'anomalies
1. 1. L’algorithme One-Class SVM
  1. a. Principe de fonctionnement
  2. b. Points forts/faibles de One-Class SVM
  3. c. Mise en pratique en PHP
2. 2. Les forêts d’isolation
  1. a. Principe de fonctionnement des forêts d’isolation
  2. b. Points forts/faibles des forêtsd’isolation
  3. c. Mise en pratique en PHP
3. 3. Algorithme du Z-Score robuste
  1. a. Principe de fonctionnement
  2. b. Points forts/faibles du Z-Score robuste
  3. c. Mise en pratique en PHP
En résumé

Persister et réutiliser les modèles

Introduction
Les objets persistants et les sérialiseurs de Rubix ML
Découverte des encodages et des persisteurs dans Rubix ML
Mise en pratique de la sauvegarde d'un modèle
Mise en pratique du chargement d'un modèle
Solutions de déploiement des modèles en production

Choix, optimisation et sélection des modèles

Introduction
Présélection des modèles les plus adaptés
1. 1. Présélection des modèles derégression
2. 2. Présélection des modèles declassification
3. 3. Stratégies de choix et d’optimisation deshyperparamètres
  1. a. Favoriser l’optimisation des hyperparamètresles plus critiques
  2. b. Ajustements par variations de granularité
  3. c. Utiliser des valeurs aléatoires
Sélection des modèles
1. 1. Choix du modèle le plus performant
2. 2. Choix d’une combinaison de modèles
3. 3. Refus des modèles
En résumé

Utiliser des modèles tiers via des API

Introduction
Création des accès à l'API OpenAI
Consommation d'un LLM pour répondre à une question textuelle
1. 1. Génération d’une réponse à unequestion textuelle sans contexte spécifié
2. 2. Génération d’une réponse à unequestion textuelle avec contexte
Utilisation d'un modèle de vision par ordinateur couplé à un LLM pour récupérer des informations sur des images
Utilisation d'un modèle de transcription automatique d'un fichier audio en texte (Speech-To-Text) couplé à un LLM
1. 1. Transcription automatique de l’audio vers du texte
2. 2. Extraction des données métier à l’aided’un LLM
Création d'un fichier audio à partir d'un texte à l'aide d'un modèle de génération de voix
Utilisation d'un embedding pour vectoriser du texte
1. 1. Utilisation de l’embedding pour transformer du texteen vecteurs
2. 2. Tests sur les similarités sémantiquesentre vecteurs

Auteur

Louis AUTHIE

Consultant et formateur en développement web, Louis AUTHIÉ intervient sur des projets sur mesure mêlant Symfony et d’autres stacks modernes. Il s’investit activement dans l’open source, notamment au sein de la communauté PrestaShop et autour de la bibliothèque RubixML dédiée au Machine Learning en PHP. Spécialiste en intelligence artificielle diplômé du CNAM, il explore depuis 2018 les applications concrètes de l’IA dans l’écosystème PHP. Auteur de plusieurs ouvrages techniques, il s’attache à rendre l’IA accessible aux développeurs web à travers des approches pragmatiques.

Téléchargements

Louis AUTHIE

Nos nouveautés