Designing Machine Learning Systems — Chip Huyen
Un des meilleurs livres modernes sur la mise en production de modèles ML : pipelines, monitoring, scalabilité, latence, architecture.
Très utile pour comprendre comment l’IA impacte la performance et l’observabilité.
Lien Amazon : https://amzn.eu/d/gtFwXWE
Machine Learning Systems — Jeff Smith
Approche très orientée ingénierie : performance, fiabilité, tests, déploiement, monitoring.
Parfait pour les SRE et ingénieurs performance.
Lien Amazon : Amazon.fr - Machine Learning Systems: Designs that scale - Smith, Jeff - Livres
Reliable Machine Learning — Cathy Chen, Niall Richard Murphy
Écrit par des anciens de Google SRE.
Focus sur la fiabilité, les SLOs, les tests, la dérive des modèles, l’observabilité ML.
Probabilistic Machine Learning — Kevin Murphy
Une référence monumentale.
Très utile pour comprendre les modèles probabilistes, les incertitudes, les distributions — des notions clés pour la performance.
Lien Amazon : https://amzn.eu/d/cuxcvvV
Pattern Recognition and Machine Learning — Christopher Bishop
Le classique absolu.
Très théorique, mais excellent pour comprendre les fondations mathématiques.
Lien Amazon : Amazon.fr - Pattern Recognition and Machine Learning - Bishop, Christopher M. - Livres
Machine Learning for Time Series Forecasting — Francesca Lazzeri
Très utile pour le capacity planning, la prédiction de charge, l’analyse de tendances.
Lien Amazon : Amazon.fr - Time Series Forecasting: An Applied Machine Learning Approach - Lazzeri, Francesca - Livres
Practical Time Series Analysis — Aileen Nielsen
Parfait pour comprendre les séries temporelles, les anomalies, les patterns — essentiel pour l’observabilité.
Lien Amazon : https://amzn.eu/d/j7nAUmw
Reinforcement Learning — Sutton & Barto
Le livre de référence.
Très utile pour comprendre les systèmes auto‑optimisés, l’allocation dynamique de ressources, etc.
Lien Amazon : Amazon.fr - Reinforcement Learning, second edition: An Introduction - Sutton, Richard S., Barto, Andrew G. - Livres
Deep Learning — Ian Goodfellow
Le classique du deep learning.
Moins orienté performance, mais incontournable pour comprendre les modèles modernes.
Efficient Processing of Deep Neural Networks — Vivienne Sze
Focus sur l’optimisation : CPU, GPU, mémoire, latence, compression.
Très pertinent pour ton public.
Lien Amazon : Amazon.fr - Efficient Processing of Deep Neural Networks - Sze, Vivienne, Chen, Yu-Hsin, Yang, Tien-Ju, Emer, Joel S. - Livres
Practical MLOps — Noah Gift & Alfredo Deza
Le meilleur livre pour comprendre le cycle de vie complet d’un modèle : tests, CI/CD, monitoring, performance.
Lien Amazon : Amazon.fr - Practical MLOps: Operationalizing Machine Learning Models - Gift, Noah, Deza, Alfredo - Livres
Building Machine Learning Pipelines — Hannes Hapke
Très utile pour comprendre les architectures ML modernes, la scalabilité et la fiabilité