University Sétif 1 FERHAT ABBAS Faculty of Sciences
Résultat de la recherche
1 résultat(s) recherche sur le mot-clé 'Données massives Apprentissage automatique Exploration de données'
Ajouter le résultat dans votre panier Affiner la recherche Générer le flux rss de la recherche
Partager le résultat de cette recherche
Data scientist et langage R : guide d'autoformation à l'exploitation des Big Data / Henri Laude
Titre : Data scientist et langage R : guide d'autoformation à l'exploitation des Big Data Type de document : texte imprimé Auteurs : Henri Laude, Auteur Editeur : Saint-Herblain : Éd. ENI Année de publication : 2016 Collection : Epsilon ISBN/ISSN/EAN : 978-2-409-00043-0 Langues : Français (fre) Catégories : Informatique Mots-clés : Données massives
Apprentissage automatique
Exploration de donnéesIndex. décimale : 004 - Informatique Résumé :
La quatrième de couverture indique : "Tous les experts s'accordent à dire que 90% des usages du Big Data proviennent de l'utilisation des data sciences. L'objectif de ce livre est de proposer une formation complète et opérationnelle sur les data-sciences qui permet de délivrer des solutions via l'usage du langage R. Ainsi, l'auteur propose un parcours didactique et professionnalisant qui, sans autre pré-requis qu'un niveau Bac en mathématiques et une grande curiosité, permet aux lecteurs : - de s'intégrer à une équipe de data-scientists, - d'aborder des articles de recherche possédant une haute teneur en mathématiques, - le cas échéant de développer en langage R, y compris des algorithmes nouveaux et de beaux graphiques, - ou tout simplement de manager une équipe projet comprenant des data scientists, en étant à même de dialoguer avec eux de façon efficace. L'ouvrage ne se cantonne pas aux algorithmes du "machine learning", il aborde divers sujets importants comme le traitement du langage naturel, les séries temporelles, la logique floue, la manipulation des images. La dynamique de l'ouvrage soutient le lecteur pas à pas dans sa découverte des data sciences, l'évolution de ses compétences théoriques et pratiques. Le praticien en exercice y découvrira également de nombreux savoir-faire à acquérir et le manager pourra surfer sur l'ouvrage après avoir lu attentivement le bestiaire des data-sciences de l'introduction, qui sans inexactitude ou vulgarisation excessive aborde le thème en faisant l'économie de mathématiques ou de formalismes dissuasifs. L'ensemble du code de tous les exemples de l'ouvrage et toutes les données traitées dans le code sont en téléchargement sur le site www.editions-eni.fr."
Note de contenu :
Sommaire
Chapitre 1 Introduction
P. 15. 1. Data scientist, un métier à la mode
P. 16. 2. Les data-sciences
P. 17. 3. Le Big Data
P. 18. 4. La dynamique de cet ouvrage
P. 24. 5. Petit bestiaire des data-services
P. 70. 6. Informatique professionnelle et data-sciences
P. 76. 7. Notations
P. 81. 8. À vous de jouer !
Chapitre 2 Premiers pas avec R
P. 83. 1. Installation des composants
P. 90. 2. Prise en main de R
P. 179. 3. Manipulation des données
Chapitre 3 Maîtriser les bases
P. 215. 1. Se mettre en harmonie avec les données
P. 249. 2. Matrices et vecteurs
P. 279. 3. Estimations
P. 302. 4. Mise en pratique : apprentissage supervisé
Chapitre 4 Techniques et algorithmes incontournables
P. 325. 1. Constituer sa boîte à outils
P. 326. 2. Représentation graphique des données
P. 346. 3. Machine learning : pratiques courantes
P. 393. 4. Où en sommes-nous dans notre apprentissage ?
Chapitre 5 Cadre méthodologique du data scientist
P. 395. 1. Le problème méthodologique au niveau du projet
P. 399. 2. Le cycle interne des data-sciences
P. 411. 3. Compléments méthodologiques
Chapitre 6 Traitement du langage naturel
P. 415. 1. Positionnement du problème
P. 416. 2. Analyse sémantique latente et SVD
Chapitre 7 Graphes et réseaux
P. 431. 1. Introduction
P. 431. 2. Premiers pas
P. 449. 3. Graphes et réseaux (sociaux)
Chapitre 8 Autres problèmes, autres solutions
P. 465. 1. Séries temporelles
P. 499. 2. Systèmes flous
P. 509. 3. Essaim (swarm)
Chapitre 9 Feature Engineering
P. 517. 1. Feature Engineering, les bases
P. 541. 2. PCA classique, éléments mathématiques
P. 544. 3. Réduction des données (data reduction)
P. 545. 4. Réduction de la dimensionnalité et entropie
Chapitre 10 Compléments utiles
P. 557. 1. GAM : généralisation de LMGLM
P. 559. 2. Manipulation d'images
P. 575. 3. Comment créer un échantillon : LHS (hypercube latin)
P. 577. 4. Travailler sur des données spatiales
P. 590. 5. Savoir-faire utiles
P. 598. 6. Gradients Boosting et Generalized Boosted Regression
Annexes
P. 605. 1. De l'utilité de ces annexes
P. 605. 2. Formulas
P. 607. 3. Stratégies suivant la nature des données
P. 611. 4. Filtres (sur images)
P. 614. 5. Distances
P. 618. 6. Astuces et petits conseils
P. 620. 7. Packages et thèmes à étudier
P. 622. 8. Vocabulaire et « tricks of the trade »
P. 626. 9. Algorithmes à étudier
P. 627. 10. Quelques formulations d'algèbre linéaire
P. 629. Conclusion
P. 631. IndexCôte titre : Fs/22879-22880 Data scientist et langage R : guide d'autoformation à l'exploitation des Big Data [texte imprimé] / Henri Laude, Auteur . - Saint-Herblain : Éd. ENI, 2016. - (Epsilon) .
ISBN : 978-2-409-00043-0
Langues : Français (fre)
Catégories : Informatique Mots-clés : Données massives
Apprentissage automatique
Exploration de donnéesIndex. décimale : 004 - Informatique Résumé :
La quatrième de couverture indique : "Tous les experts s'accordent à dire que 90% des usages du Big Data proviennent de l'utilisation des data sciences. L'objectif de ce livre est de proposer une formation complète et opérationnelle sur les data-sciences qui permet de délivrer des solutions via l'usage du langage R. Ainsi, l'auteur propose un parcours didactique et professionnalisant qui, sans autre pré-requis qu'un niveau Bac en mathématiques et une grande curiosité, permet aux lecteurs : - de s'intégrer à une équipe de data-scientists, - d'aborder des articles de recherche possédant une haute teneur en mathématiques, - le cas échéant de développer en langage R, y compris des algorithmes nouveaux et de beaux graphiques, - ou tout simplement de manager une équipe projet comprenant des data scientists, en étant à même de dialoguer avec eux de façon efficace. L'ouvrage ne se cantonne pas aux algorithmes du "machine learning", il aborde divers sujets importants comme le traitement du langage naturel, les séries temporelles, la logique floue, la manipulation des images. La dynamique de l'ouvrage soutient le lecteur pas à pas dans sa découverte des data sciences, l'évolution de ses compétences théoriques et pratiques. Le praticien en exercice y découvrira également de nombreux savoir-faire à acquérir et le manager pourra surfer sur l'ouvrage après avoir lu attentivement le bestiaire des data-sciences de l'introduction, qui sans inexactitude ou vulgarisation excessive aborde le thème en faisant l'économie de mathématiques ou de formalismes dissuasifs. L'ensemble du code de tous les exemples de l'ouvrage et toutes les données traitées dans le code sont en téléchargement sur le site www.editions-eni.fr."
Note de contenu :
Sommaire
Chapitre 1 Introduction
P. 15. 1. Data scientist, un métier à la mode
P. 16. 2. Les data-sciences
P. 17. 3. Le Big Data
P. 18. 4. La dynamique de cet ouvrage
P. 24. 5. Petit bestiaire des data-services
P. 70. 6. Informatique professionnelle et data-sciences
P. 76. 7. Notations
P. 81. 8. À vous de jouer !
Chapitre 2 Premiers pas avec R
P. 83. 1. Installation des composants
P. 90. 2. Prise en main de R
P. 179. 3. Manipulation des données
Chapitre 3 Maîtriser les bases
P. 215. 1. Se mettre en harmonie avec les données
P. 249. 2. Matrices et vecteurs
P. 279. 3. Estimations
P. 302. 4. Mise en pratique : apprentissage supervisé
Chapitre 4 Techniques et algorithmes incontournables
P. 325. 1. Constituer sa boîte à outils
P. 326. 2. Représentation graphique des données
P. 346. 3. Machine learning : pratiques courantes
P. 393. 4. Où en sommes-nous dans notre apprentissage ?
Chapitre 5 Cadre méthodologique du data scientist
P. 395. 1. Le problème méthodologique au niveau du projet
P. 399. 2. Le cycle interne des data-sciences
P. 411. 3. Compléments méthodologiques
Chapitre 6 Traitement du langage naturel
P. 415. 1. Positionnement du problème
P. 416. 2. Analyse sémantique latente et SVD
Chapitre 7 Graphes et réseaux
P. 431. 1. Introduction
P. 431. 2. Premiers pas
P. 449. 3. Graphes et réseaux (sociaux)
Chapitre 8 Autres problèmes, autres solutions
P. 465. 1. Séries temporelles
P. 499. 2. Systèmes flous
P. 509. 3. Essaim (swarm)
Chapitre 9 Feature Engineering
P. 517. 1. Feature Engineering, les bases
P. 541. 2. PCA classique, éléments mathématiques
P. 544. 3. Réduction des données (data reduction)
P. 545. 4. Réduction de la dimensionnalité et entropie
Chapitre 10 Compléments utiles
P. 557. 1. GAM : généralisation de LMGLM
P. 559. 2. Manipulation d'images
P. 575. 3. Comment créer un échantillon : LHS (hypercube latin)
P. 577. 4. Travailler sur des données spatiales
P. 590. 5. Savoir-faire utiles
P. 598. 6. Gradients Boosting et Generalized Boosted Regression
Annexes
P. 605. 1. De l'utilité de ces annexes
P. 605. 2. Formulas
P. 607. 3. Stratégies suivant la nature des données
P. 611. 4. Filtres (sur images)
P. 614. 5. Distances
P. 618. 6. Astuces et petits conseils
P. 620. 7. Packages et thèmes à étudier
P. 622. 8. Vocabulaire et « tricks of the trade »
P. 626. 9. Algorithmes à étudier
P. 627. 10. Quelques formulations d'algèbre linéaire
P. 629. Conclusion
P. 631. IndexCôte titre : Fs/22879-22880 Exemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité Fs/22879 Fs/22879-22880 livre Bibliothéque des sciences Français Disponible
DisponibleFs/22880 Fs/22879-22880 livre Bibliothéque des sciences Français Disponible
Disponible