Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 3 votes.
Titre original :
Practical Data Science with Python 3: Synthesizing Actionable Insights from Data
Contenu du livre :
Chapitre 1. Introduction à la science des donnéesNombre de pages : 10Ce chapitre introduit le lecteur à la science des données et décrit les principales étapes du travail avec les données (collecte, exploration, prétraitement, visualisation, prédiction et déduction des connaissances). Il définit les attentes communes sur ce qui constitue un domaine de la science des données. Ce chapitre présente l'IDE Anaconda, qui sera utilisé dans le livre.
Chapitre 2. Acquisition des donnéesNombre de pages : 40Ce chapitre présentera au lecteur comment récupérer et stocker des données depuis/vers différentes sources de données : fichiers texte (y compris divers formats comme CSV, XML et JSON), fichiers binaires (y compris Apache Avro), données accessibles sur le Web, bases de données relationnelles, bases de données NoSQL, Apache Arrow (un système de stockage de données en colonnes efficace et novateur), bases de données multimodales, et bases de données en réseau. Ce chapitre présente également BeautifulSoup pour travailler avec XML et HTML.
Chapitre 3. Traitement des données de baseNombre de pages : 40Il s'agit de bibliothèques Python standard pour le calcul scientifique et le traitement des données. NumPy englobe toutes sortes de structures de données nécessaires à l'analyse des données. Ici, nous fournirons des exemples qui mettront en lumière l'importance des cadres sophistiqués et de l'ingénierie logicielle basée sur la réutilisation dans le domaine de la science des données.
Chapitre 4. Documenter le travailNombre de pages : 20Ce chapitre présente l'environnement informatique le plus populaire pour l'analyse des données. Il permet aux scientifiques de partager leurs résultats de manière facilement reproductible.
Chapitre 5. Transformation et conditionnement des donnéesNo de pages : 30Ce chapitre met en lumière un cadre essentiel de la science des données qui est construit sur NumPy. Il fournit d'excellentes structures de données pour gérer les cadres de données et les séries.
Chapitre 6. VisualisationNo de pages : 40Ce chapitre présente différentes façons de visualiser les données ; les statistiques sommaires ou les représentations tabulaires sont d'une valeur limitée dans l'exploration des données. Les frameworks suivants feront l'objet de ce chapitre : matplotlib, glueviz, Bokeh, et orange3. La visualisation est importante à la fois pour l'analyse exploratoire et pour la production de rapports efficaces.
Chapitre 7. Prédiction et inférenceNombre de pages : 50Ce chapitre aborde toutes les techniques et technologies permettant d'intensifier les efforts en matière de science des données. Il enseignera aux lecteurs comment créer des systèmes qui peuvent formuler des réponses sur des données inédites ou trouver des modèles cachés dans les données. Il décrit les méthodes d'apprentissage supervisé, non supervisé, profond et par renforcement. De plus, il présentera Apache Spark avec MLib (à la fois en mode batch et stream) ainsi que TensorFlow. Les frameworks suivants feront également l'objet de ce chapitre : XGBoost, sci-kit learn et Keras avec PyTorch.
Chapitre 8. Analyse des réseauxNombre de pages : 40Ce chapitre explore les moyens d'analyser des réseaux et des graphes complexes. Ce chapitre présente Apache Spark GraphX, Apache Giraph et NetworkX. Ce chapitre présente également l'analyse spectrale des graphes, qui est une méthode d'apprentissage automatique approximative, non linéaire et non paramétrique intéressante.
Chapitre 9. Ingénierie des processus de la science des donnéesNombre de pages : 20Ce chapitre explique comment partager et personnaliser les pratiques/méthodes de science des données utilisées par les équipes via OMG Essence.
Chapitre 10. Systèmes multi-agents, théorie des jeux et apprentissage automatiqueNombre de pages : 30Ce chapitre explore les applications avancées orientées données, où les données sont produites et consommées par des agents intelligents autogérés. Le chapitre introduit le lecteur au concept des systèmes multi-agents, aux méthodes et modèles de la théorie des jeux ainsi qu'aux algorithmes d'apprentissage associés.
Chapitre 11. Modèles graphiques probabilistesNumbe.
Autres informations sur le livre :
| ISBN : | 9781484248584 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2019 |
| Nombre de pages : | 462 |
Achat:
Actuellement disponible, en stock.
