La couv. porte en plus : "Informatique technique" ; "Fichiers complémentaires à télécharger"

Bibliogr. p. 769-771. Index

Un parcours didactique et professionnalisant permettant de s'intégrer à une équipe de data scientists, d'aborder des articles de recherche en langage R, ou de manager une équipe projet comprenant des data scientists. Les auteurs abordent notamment des sujets comme le traitement du langage naturel, les séries temporelles, la logique floue ou encore la manipulation des images. ­Electre 2018

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. 19 4. La dynamique de cet ouvrage P. 24 5. Petit bestiaire des data sciences P. 70 6. Informatique professionnelle et data sciences P. 77 7. Notations P. 82 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. 181 3. Manipulation des données Chapitre 3 Maîtriser les bases P. 217 1. Se mettre en harmonie avec les données P. 251 2. Matrices et vecteurs P. 281 3. Estimations P. 304 4. Mise en pratique : apprentissage supervisé Chapitre 4 Techniques et algorithmes incontournables P. 327 1. Constituer sa boîte à outils P. 328 2. Représentation graphique des données P. 348 3. Machine learning : pratiques courantes P. 395 4. Où en sommes-nous dans notre apprentissage ? Chapitre 5 Cadre méthodologique du data scientist P. 397 1. Le problème méthodologique au niveau du projet P. 401 2. Le cycle interne des data sciences P. 413 3. Compléments méthodologiques Chapitre 6 Traitement du langage naturel P. 417 1. Positionnement du problème P. 418 2. Analyse sémantique latente et SVD Chapitre 7 Graphes et réseaux P. 433 1. Introduction P. 433 2. Premiers pas P. 451 3. Graphes et réseaux (sociaux) Chapitre 8 Autres problèmes, autres solutions P. 467 1. Séries temporelles P. 501 2. Systèmes flous P. 518 3. Essaim (swarm) Chapitre 9 Feature Engineering P. 525 1. Feature Engineering, les bases P. 549 2. PCA classique, éléments mathématiques P. 552 3. Réduction des données (data réduction) P. 553 4. Réduction de la dimensionnalité et entropie Chapitre 10 Compléments utiles P. 565 1. GAM : généralisation de LM/GLM P. 568 2. Manipulation d'images P. 583 3. Comment créer un échantillon : LHS (hypercube latin) P. 586 4. Travailler sur des données spatiales P. 599 5. Savoir-faire utiles P. 607 6. Gradient Boosting et Generalized Boosted Regression Chapitre 11 Full Stack R P. 613 1. Pourquoi ce nouveau chapitre ? P. 614 2. Programmation fonctionnelle et/ou défensive P. 632 3. Persistance, bases de données et R P. 643 4. Parallélisme P. 644 5. Collecter des données externes P. 647 6. Créer une API avec R Chapitre 12 Partager ses analyses P. 649 1. Rédiger en Markdown P. 661 2. Création d'un fichier R Markdown P. 678 3. Créer sa première application Shiny Chapitre 13 Cartographie P. 719 1. Pourquoi étudier les représentations cartographiques ? P. 720 2. Accéder à l'information géographique P. 725 3. Création de cartes statiques avec R P. 733 4. Création de cartes dynamiques avec R Chapitre 14 TensorFlow P. 735 1. Le deep learning selon Google P. 737 2. Installer et invoquer TensorFlow Annexes P. 745 1. De l'utilité de ces annexes P. 745 2. Formulas P. 747 3. Stratégies suivant la nature des données P. 751 4. Filtres (sur images) P. 754 5. Distances P. 758 6. Astuces et petits conseils P. 760 7. Packages et thèmes à étudier P. 763 8. Vocabulaire et « tricks of the trade » P. 767 9. Algorithmes à étudier P. 767 10. Quelques formulations d'algèbre linéaire P. 769 11. Bibliographie P. 773 Conclusion P. 775 Index