Passer aux informations sur le produit
science des données
science des données
Description
Introduction au livre
Un livre d'introduction qui couvre les concepts de base de la science des données !

Ce livre est un guide de base qui enseigne les algorithmes liés à la science des données en les créant « à partir de zéro », sans utiliser d'outils tels que des bibliothèques ou des frameworks.
Axé sur les principes fondamentaux essentiels à l'apprentissage de la science des données, cet ouvrage couvre les techniques clés de cette discipline, en mêlant mathématiques et statistiques fondamentales.
Dans cette deuxième édition, tout le code et les exemples ont été mis à jour pour Python 3.6 et utilisent de nouvelles fonctionnalités telles que les annotations de type.
Des sujets que les data scientists d'aujourd'hui doivent maîtriser, tels que l'apprentissage profond, les statistiques et le traitement automatique du langage naturel, ont également été ajoutés.
Si vous êtes programmeur et que vous souhaitez apprendre les techniques de piratage, les mathématiques et les théories statistiques nécessaires à l'analyse des données, je vous recommande vivement ce livre : c'est un outil puissant qui vous enseignera les fondamentaux.
  • Vous pouvez consulter un aperçu du contenu du livre.
    Aperçu

indice
Chapitre 1 Introduction
1.1 L'avènement de l'ère des données
1.2 Qu'est-ce que la science des données ?
1.3 L'imagination comme source de motivation : Datum Corporation
1.3.1 Identification des indicateurs clés
1.3.2 Recommandation de data scientists
1.3.3 Salaire et expérience
1.3.4 Comptes payants
1.3.5 Sujets d'intérêt
1.3.6 Commençons

Chapitre 2 : Cours sur les attributs Python
2.1 Établir les bases
2.2 Installation de Python
2.3 Environnement virtuel
2.4 Indentation
Module 2.5
2.6 Fonction
2.7 Cordes
2.8 Gestion des exceptions
Liste 2.9
2.10 Tuples
2.11 Dictionnaire
2.11.1 defaultdict
2.12 Compteur
Ensemble 2.13
2.14 Contrôle du débit
2.15 Vrai ou faux
2.16 Tri
2.17 Compréhension de listes
2.18 Tests automatisés et assertions
2.19 Programmation orientée objet
2.20 Itérateurs et générateurs
2.21 Génération de nombres aléatoires
2.22 Expressions régulières
2.23 Outils fonctionnels
Décompression des fichiers zip et des arguments 2.24
2,25 arguments et arguments nommés
2.26 Annotations de type
2.26.1 Comment annoter les types
Bienvenue dans le système de données 2.27 !
2.28 Si vous souhaitez en savoir plus

Chapitre 3 Visualisation des données
3.1 matplotlib
3.2 Graphique à barres
3.3 Graphique linéaire
3.4 Diagramme de dispersion
3.5 Si vous souhaitez étudier davantage

Chapitre 4 Algèbre linéaire
4.1 Vecteurs
4.2 Matrice
4.3 Si vous souhaitez approfondir vos connaissances

Chapitre 5 Statistiques
5.1 Description de l'ensemble de données
5.1.1 Tendance centrale
5.1.2 Diagramme de dispersion
5.2 Corrélation
5.3 Le paradoxe de Simpson
5.4 Mises en garde supplémentaires concernant la corrélation
5.5 Corrélation et causalité
5.6 Si vous souhaitez en savoir plus

Chapitre 6 Probabilités
6.1 Dépendance et indépendance
6.2 Probabilité conditionnelle
6.3 Théorème de Bayes
6.4 Variables aléatoires
6.5 Distribution continue
6.6 Distribution normale
6.7 Théorème central limite
6.8 Si vous souhaitez en savoir plus

Chapitre 7 : Hypothèses et inférences
7.1 Tests d'hypothèses statistiques
7.2 Exemple : Lancer de pièce
7,3 valeur p
7.4 Intervalles de confiance
7.5 p hack
7.6 Exemple : Réaliser un test A/B
7.7 Inférence bayésienne
7.8 Si vous souhaitez en savoir plus

Chapitre 8 Descente de gradient
8.1 La signification cachée de la descente de gradient
8.2 Calcul du gradient
8.3 Application d'un dégradé
8.4 Détermination de la distance de déplacement appropriée
8.5 Entraînement d'un modèle par descente de gradient
8.6 Mini-lots et descente de gradient stochastique (SGD)
8.7 Si vous souhaitez en savoir plus

Chapitre 9 : Collecte de données avec Python
9.1 Entrée standard et sortie standard
9.2 Lecture des fichiers
9.2.1 Notions de base sur les fichiers texte
9.2.2 Fichiers avec délimiteurs
9.3 Extraction de données Web
9.3.1 HTML et analyse syntaxique
9.3.2 Exemple : Surveillance du Congrès
9.4 Utilisation de l'API
9.4.1 JSON et XML
9.4.2 Utilisation d'API ne nécessitant pas d'authentification
9.4.3 Recherche d'API
9.5 Exemple : Utilisation de l'API Twitter
9.5.1 Obtention de la certification
9.6 Si vous souhaitez en savoir plus

Chapitre 10 : Traitement des données
10.1 Exploration des données
10.1.1 Exploration des données unidimensionnelles
10.1.2 Données bidimensionnelles
10.1.3 Données multidimensionnelles
10.2 Utilisation de namedtuple
10.3 Classes de données
10.4 Affiner et fusionner
10.5 Traitement des données
10.6 Réglage de l'échelle
10.7 D'une part : tqdm
10.8 Réduction dimensionnelle
10.9 Si vous souhaitez en savoir plus

Chapitre 11 : Apprentissage automatique
11.1 Modélisation
11.2 Qu'est-ce que l'apprentissage automatique ?
11.3 Sur-ajustement et sous-ajustement
11.4 Précision
11.5 Compromis biais-variance
11.6 Extraction et sélection des caractéristiques
11.7 Si vous souhaitez en savoir plus

Chapitre 12 k-NN
Modèle 12.1
12.2 Exemple : Données Iris
Malédiction 12.3 dimensionnel
12.4 Si vous souhaitez approfondir vos connaissances

Chapitre 13 Bayes naïf
13.1 Filtre anti-spam stupide
13.2 Un filtre anti-spam légèrement plus intelligent
13.3 Mise en œuvre
13.4 Validation du modèle
Utilisation du modèle 13,5
13.6 Si vous souhaitez en savoir plus

Chapitre 14 Analyse de régression simple
Modèle 14.1
14.2 Utilisation de la descente de gradient
14.3 Estimation du maximum de vraisemblance
14.4 Si vous souhaitez en savoir plus

Chapitre 15 Analyse de régression multiple
Modèle 15.1
15.2 Quelques hypothèses supplémentaires concernant la méthode des moindres carrés
15.3 Entraînement du modèle
15.4 Interprétation du modèle
15,5 Qualité de l'ajustement
15.6 À part : Bootstrap
15,7 Erreur type du coefficient
15.8 Régularisation
15.9 Si vous souhaitez en savoir plus

Chapitre 16 : Analyse de régression logistique
Problème 16.1
16.2 Fonction logistique
16.3 Application du modèle
16.4 Compatibilité
16.5 Machines à vecteurs de support
16.6 Si vous souhaitez en savoir plus

Chapitre 17 Arbres de décision
17.1 Qu'est-ce qu'un arbre de décision ?
17.2 Entropie
17.3 Entropie d'une partition
17.4 Création d'un arbre de décision
17.5 Résumé
17.6 Forêt aléatoire
17.7 Si vous souhaitez en savoir plus

Chapitre 18 Réseaux de neurones
18.1 Perceptron
18.2 Réseaux neuronaux à propagation directe
18.3 Rétropropagation
18.4 Exemple : Fizz Buzz
18.5 Si vous souhaitez étudier davantage

Chapitre 19 Apprentissage profond
19.1 Tenseurs
19.2 Abstraction du plancher
19.3 Couche linéaire
19.4 Réseaux neuronaux composés de couches séquentielles
19.5 Fonctions de perte et optimisation
19.6 Exemple : Résolution du problème XOR
19.7 Autres fonctions d'activation
19.8 Exemple : Résolution de FizzBuzz
19.9 Softmax et entropie croisée
19.10 Abandon
19.11 Exemple : MNIST
19.12 Modèles d'enregistrement et de chargement
19.13 Si vous souhaitez en savoir plus

Chapitre 20 : Clustering
20.1 Se familiariser avec le clustering
Modèle 20.2
20.3 Exemple : Réunion hors ligne
Sélectionnez la valeur 20,4 k
20.5 Exemple : Regroupement par couleur
20.6 Classification hiérarchique ascendante
20.7 Si vous souhaitez en savoir plus

Chapitre 21 : Traitement automatique du langage naturel
21.1 Nuage de mots
21.2 Modèle de langage n-grammes
21.3 Règles de grammaire
21.4 À part : Échantillonnage Gibbs
21.5 Modélisation thématique
21.6 Vecteurs de mots
21.7 Réseaux neuronaux récursifs
21.8 Exemple : Utilisation d’un RNN au niveau des caractères
21.9 Si vous souhaitez en savoir plus

Chapitre 22 Analyse de réseau
22.1 Centralité d'intermédiarité
22.2 Centralité de vecteur propre
22.2.1 Multiplication matricielle
22.2.2 Centralité
22.3 Graphes orientés et PageRank
22.4 Si vous souhaitez approfondir vos connaissances

Chapitre 23 Système de recommandation
23.1 Recommandations du manuel
23.2 Recommandations basées sur la popularité
23.3 Filtrage collaboratif basé sur l'utilisateur
23.4 Filtrage collaboratif basé sur les produits
23.5 Décomposition matricielle
23.6 Si vous souhaitez en savoir plus

Chapitre 24 : Bases de données et SQL
24.1 CRÉER UNE TABLE et INSÉRER
MISE À JOUR 24.2
24.3 SUPPRIMER
24.4 SÉLECTIONNER
24,5 GROUPER PAR
24.6 COMMANDER PAR
24.7 REJOIGNEZ-NOUS
24.8 Sous-requêtes
24,9 indice
24.10 Optimisation des requêtes
24.11 NoSQL
24.12 Si vous souhaitez en savoir plus

Chapitre 25 : MapReduce
25.1 Exemple : Mots à compter
25.2 Pourquoi MapReduce ?
25.3 Généralisation de MapReduce
25.4 Exemple : Analyse des publications des utilisateurs
25.5 Exemple : Multiplication matricielle
25.6 À part : Combinateur
25.7 Si vous souhaitez en savoir plus

Chapitre 26 : Éthique des données
26.1 Qu’est-ce que l’éthique des données ?
26.2 Non, sérieusement, qu'est-ce que l'éthique des données ?
26.3 Dois-je me préoccuper de l'éthique des données ?
26.4 Création de produits de données de mauvaise qualité
26.5 Maintenir un équilibre entre exactitude et équité
26.6 Coopération
26.7 Interprétabilité
26,8 Recommandé
26.9 Données biaisées
26.10 Protection des données
Résumé du 26.11
26.12 Si vous souhaitez en savoir plus

Chapitre 27 : Premiers pas en science des données
27.1 IPython
27.2 Mathématiques
27.3 Comment éviter de repartir de zéro
27.3.1 NumPy
27.3.2 pandas
27.3.3 scikit-learn
27.3.4 Visualisation
27.3.5 R
27.3.6 Apprentissage profond
27.4 Recherche de données
27.5 Pratiquer la science des données
27.5.1 Actualités des hackers
27.5.2 Camion de pompiers
T-shirt 27.5.3
27.5.4 Tweets sur le Globe
27.5.5 Et vous ?

Avis de l'éditeur
〉〉 Public cible de ce livre
ㆍSpécialisations qui permettent de faire d'une pierre deux coups : connaissances de base en science des données et compétences en programmation.
Les data scientists qui souhaitent explorer les algorithmes de science des données intégrant des théories mathématiques et statistiques.
Les programmeurs qui souhaitent apprendre les théories mathématiques et statistiques nécessaires à l'analyse des données

〉〉 Ce que ce livre aborde
• Apprenez les principes fondamentaux de l'algèbre linéaire, des statistiques et des probabilités, et comment les appliquer en science des données.
Collecter, explorer, affiner, traiter et manipuler des données
Explorer les principes de l'apprentissage automatique
Mise en œuvre des algorithmes des k plus proches voisins, de Bayes naïf, de régression linéaire, de régression logistique, d'arbres de décision, de réseaux de neurones artificiels, de clustering, etc.
Explorez les systèmes de recommandation, le traitement du langage naturel, l'analyse de réseaux, MapReduce, les bases de données et bien plus encore.
Apprendre Python avec les attributs
SPÉCIFICATIONS DES PRODUITS
- Date de publication : 12 mars 2020
Nombre de pages, poids, dimensions : 448 pages | 880 g | 188 × 240 × 30 mm
- ISBN13 : 9788966262571
- ISBN10 : 8966262570

Vous aimerez peut-être aussi

카테고리