Les meilleurs livres Débuter - Algorithmique
79 livres et 89 critiques, dernière mise à jour le 12 novembre 2023 , note moyenne : 4.3
Livres en français
- 20 énigmes ludiques pour se perfectionner en cryptographie
- 15 énigmes ludiques pour se perfectionner en programmation Python
- Conception d'algorithmes - 150 exercices corrigés
- Automates à états finis et langages réguliers - Rappels des notions essentielles et plus de 170 exercices corrigés
- Programmation par contraintes - Démarches de modélisation pour l'optimisation
- Graphes, ordres et programmation linéaire - Cours et exercices
- Conception d'algorithmes - Principes et 150 exercices corrigés
- Data science - Cours et exercices
- Apprentissage artificiel - Deep learning, concepts et algorithmes
- Deep Learning avec TensorFlow - Mise en oeuvre et cas concrets
- Machine Learning avec Scikit-Learn - Mise en oeuvre et cas concrets
- Big Data et Machine Learning - Les concepts et les outils de la data science
- Data Scientist et langage R - Guide d'autoformation à l'exploitation des Big Data
- L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en Java
- Recherche d'information - Applications, modèles et algorithmes — data mining, décisionnel et big data
- Apprentissage machine - De la théorie à la pratique - Concepts fondamentaux en Machine Learning
- Pratique du calcul relationnel
- Les Bases du Traitement d'Image et de la Vision Industrielle et Robotique
- Métaheuristiques
- Recherche d'information - Applications, modèles et algorithmes
- Apprentissage artificiel - Concepts et algorithmes
- Algorithmique - Cours avec 957 exercices et 158 problèmes
- Intelligence artificielle
- Introduction à la cryptographie
- Introduction à l'algorithmique - 2e cycle - Ecoles d'ingénieurs
- Algorithmes de graphes
- Réseaux de neurones - Méthodologie et applications
- Réseaux bayesiens
- Simulation numérique en C++
- Compilateurs - Cours et exercices corrigés
- Programmation et Algorithmique en VBA pour Excel
- Introduction à la calculabilité
- Intelligence Artificielle
- Géométrie algorithmique
- Apprentissage statistique - Réseaux de neurones - Cartes topologiques - Machines à vecteurs supports
- Calculateurs, calculs, calculabilité
- Apprendre à programmer - Algorithmes et conception objet
- Algorithmique - Techniques fondamentales de programmation
- Algorithmique - Travaux Pratiques - Entraînez-vous et améliorez votre pratique de la programmation
- Compilateurs - Principes, techniques et outils
- L'Intelligence Artificielle pour les développeurs - Concepts et implémentations en C#
- Algorithmique - Coffret de 2 livres : Maîtrisez les fondamentaux de la programmation (avec des exemples en Java)
Livres en anglais
- Applied Graph Theory - An Introduction With Graph Optimization And Algebraic Graph Theory
- Sparse Polynomial Optimization - Theory and Practice
- Optimization Techniques and their Applications to Mine Systems
- Large Outdoor Fire Dynamics
- The Principles of Deep Learning Theory - An Effective Theory Approach to Understanding Neural Networks
- Robust and Adaptive Optimization
- Algorithms - Design Techniques and Analysis
- Classical And Modern Optimization
- Graph and Networks
- The Moment-SOS Hierarchy - Lectures in Probability, Statistics, Computational Geometry, Control and Nonlinear PDEs
- Basic concepts in algorithms
- Rigid Body Kinematics
- Introduction to the Finite Element Method and Implementation with MATLAB®
- Network Traffic Engineering - Stochastic Models and Applications
- Dynamics of Multibody Systems
- Introduction to Optimization and Hadamard Semidifferential Calculus
- Practical Optimization
- Algorithms Illuminated: Algorithms for NP-Hard Problems
- Crowds in Equations - An Introduction to the Microscopic Modeling of Crowds
- Database Internals - A Deep Dive into How Distributed Data Systems Work
- Network Flow Algorithms
- Kernelization - Theory of Parameterized Preprocessing
- Algorithms Illuminated: Greedy Algorithms and Dynamic Programming
- Algorithms Illuminated: Graph Algorithms and Data Structures
- Algorithms Illuminated: The Basics
- Natural Language Processing with PyTorch - Build Intelligent Language Applications Using Deep Learning
- Hands-On Unsupervised Learning Using Python - How to Build Applied Machine Learning Solutions from Unlabeled Data
- Data Visualization - Charts, Maps, and Interactive Graphics
- Elements of Causal Inference - Foundations and Learning Algorithms
- Machine Learning for Data Streams - With Practical Examples in MOA
- Ant Colony Optimization
- A Field Guide to Genetic Programming
- Essentials of Metaheuristics
- Evolved to Win
- Natural Language Processing with Python
- Introduction to Evolutionary Computing
- Purely Functional Data Structures