{"product_id":"154554","title":"Tout ce que les analystes de données doivent savoir ","description":"\u003ccenter\u003e\u003cdiv style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/tmgdisk01.cafe24.com\/images\/vs\/4172\/sv\/3jYDPLMroiyv5gHRNsry9opDgIy4kS.png?v=1765080649\" style=\"max-width:100%;max-height:10px\"\u003e\u003c\/div\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\u003ccenter\u003e\n\n\u003cdiv style=\"width:95%\"\u003e\n\n\u003cdiv style=\"text-align:center;font-size:30px;font-weight:bolder;line-height:1.6em\"\u003e Tout ce que les analystes de données doivent savoir \u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"border-bottom:1px;border-bottom-style:dotted;border-color:;padding-bottom:20px\"\u003e\u003ccenter\u003e\u003ctable align=\"center\" width=\"100%\"\u003e\u003ctbody style=\"border:0px\"\u003e\n\n\u003ctr\u003e\u003ctd align=\"center\" style=\"line-height:1.2em;text-align:center;font-size:18px;color:black;font-weight:bold;padding-bottom:20px;\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\u003ctr\u003e\u003ctd style=\"text-align:center\"\u003e\u003cimg src=\"https:\/\/image.yes24.com\/goods\/132423891\/XL\" style=\"max-width:100%;height:auto\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\n\n\n\u003c\/tbody\u003e\u003c\/table\u003e\u003c\/center\u003e\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;{split_style6}padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e Description \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;word-break:break-all;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eIntroduction au livre\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e\u003cdiv\u003e \u003cb\u003eApprofondissons chaque étape de l'analyse des données et de l'apprentissage automatique !\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e Ce livre aborde tous les sujets, des statistiques, que l'on peut considérer comme le fondement de l'analyse des données, aux techniques d'apprentissage automatique d'un point de vue pratique.\u003cbr\u003e De la définition des problèmes commerciaux à l'analyse exploratoire des données (EDA), en passant par le prétraitement des données et la création de variables dérivées, la modélisation de l'apprentissage automatique et l'évaluation des performances, et même la narration, ce livre couvre tout ce qu'un analyste de données doit savoir.\u003cbr\u003e Nous avons minimisé les formules et théories inutiles afin que les praticiens puissent les appliquer immédiatement dans leurs entreprises, et organisé les concepts clés de manière facile à comprendre. \u003cbr\u003eVous apprendrez à bien comprendre les données et à en tirer des enseignements commerciaux pertinents grâce à une formation pratique basée sur des mini-projets d'analyse de données et d'apprentissage automatique.\u003cbr\u003e\n\u003c\/div\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cul\u003e\u003cli\u003e Vous pouvez consulter un aperçu du contenu du livre.\u003cbr\u003e \u003cspan\u003eAperçu\u003c\/span\u003e\n\n\u003c\/li\u003e\u003c\/ul\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eindice\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e[Partie 1] Principes fondamentaux de la construction de données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 1 : Comprendre les statistiques\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 1.1 Pourquoi devrions-nous connaître les statistiques ?\u003cbr\u003e 1.2 Différences entre l'apprentissage automatique et les statistiques traditionnelles\u003cbr\u003e 1.3 Définition et origine des statistiques\u003cbr\u003e 1.4 Statistiques descriptives Statistiques inférentielles\u003cbr\u003e ___1.4.1 Statistiques techniques\u003cbr\u003e 1.4.2 Statistiques inférentielles\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 2 : Population et échantillonnage\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 2.1 Population et échantillon, recensement et enquête par sondage\u003cbr\u003e 2.2 Pourquoi réalisons-nous des enquêtes par sondage et comment appliquons-nous la science des données ?\u003cbr\u003e 2.3 Types de biais dans l'échantillonnage\u003cbr\u003e 2.4 Types de biais cognitifs\u003cbr\u003e 2.4.1 Biais de confirmation\u003cbr\u003e 2.4.2 Biais d'ancrage\u003cbr\u003e ___2.4.3 Biais favorisant le choix \u003cbr\u003e___2.4.4 Biais du dénominateur\u003cbr\u003e ___2.4.5 Biais de survie\u003cbr\u003e 2.5 Biais et variance dans les modèles d'apprentissage automatique\u003cbr\u003e 2.6 Méthodes d'échantillonnage pour minimiser le biais d'échantillonnage\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 3 : Variables et échelles\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 3.1 Types de variables\u003cbr\u003e 3.2 Types de relations entre variables\u003cbr\u003e 3.3 Types d'échelles\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 4 : Mesures statistiques descriptives des données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 4.1 Mesure de la tendance centrale\u003cbr\u003e 4.2 Variance et écart type\u003cbr\u003e 4.3 Diagramme de dispersion, étendue, quartiles et coefficient de variation\u003cbr\u003e 4.4 Asymétrie et aplatissement\u003cbr\u003e ___4.4.1 Asymétrie\u003cbr\u003e ___4.4.2 Kurtosis\u003cbr\u003e 4.5 Règle empirique pour l'écart type\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 5 : Probabilités et variables aléatoires\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 5.1 Concepts de base des probabilités\u003cbr\u003e 5.2 Types de probabilité\u003cbr\u003e 5.3 Segmentation et théorie bayésienne\u003cbr\u003e ___5.3.1 Division\u003cbr\u003e ___5.3.2 Théorie bayésienne\u003cbr\u003e 5.4 Concept et types de variables aléatoires\u003cbr\u003e 5.5 Le paradoxe des Simpson\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 6 : Distributions de probabilité\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 6.1 Définition et types de distributions de probabilité\u003cbr\u003e 6.2 Distributions de probabilité discrètes\u003cbr\u003e ___6.2.1 Répartition uniforme\u003cbr\u003e 6.2.2 Distribution binomiale\u003cbr\u003e 6.2.3 Distribution hypergéométrique\u003cbr\u003e ___6.2.4 Distribution de Poisson\u003cbr\u003e 6.3 Distribution de probabilité continue\u003cbr\u003e 6.3.1 Distribution normale\u003cbr\u003e 6.3.2 Distribution exponentielle\u003cbr\u003e 6.4 Théorème central limite\u003cbr\u003e \u003cbr\u003e\u003cb\u003e▣ Chapitre 7 : Tests d'hypothèses\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 7.1 Hypothèses nulle et alternative\u003cbr\u003e 7.2 Procédures de test d'hypothèses\u003cbr\u003e 7.3 Niveau de signification et valeur p des tests d'hypothèse\u003cbr\u003e 7.4 Erreurs de type 1 et de type 2\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 2] Préparation de l'analyse des données\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 8 : Préparation et planification du projet d'analyse\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 8.1 Processus global d'analyse des données\u003cbr\u003e 8.1.1 Les trois étapes de l'analyse des données\u003cbr\u003e 8.1.2 Méthodologie CRISP-DM\u003cbr\u003e ___8.1.3 Méthodologie SAS SEMMA\u003cbr\u003e 8.2 Définition du problème commercial et définition des objectifs d'analyse\u003cbr\u003e 8.3 Changement d'objectif de l'analyse\u003cbr\u003e 8.4 Connaissances du domaine\u003cbr\u003e 8.5 Collecte et exploration de données externes\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 9 : Mise en place de l’environnement d’analyse\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 9.1 Quel langage d'analyse de données dois-je utiliser ?\u003cbr\u003e 9.2 Comprendre le processus de traitement des données\u003cbr\u003e 9.3 Traitement distribué des données\u003cbr\u003e ___9.3.1 HDFS\u003cbr\u003e ___9.3.2 Apache Spark\u003cbr\u003e 9.4 Jointures de tables, définitions et diagrammes ER\u003cbr\u003e ___9.4.1 Jointures de tables\u003cbr\u003e ___9.4.2 Dictionnaire de données\u003cbr\u003e ___9.4.3 Définition du tableau\u003cbr\u003e ___9.4.4 ERD\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 10 : Exploration et visualisation des données\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 10.1 Analyse exploratoire des données\u003cbr\u003e ___10.1.1 Analyse exploratoire des données (EDA) avec Excel \u003cbr\u003e___10.1.2 Exercices pratiques d'analyse exploratoire des données\u003cbr\u003e 10.2 Analyse de covariance et de corrélation\u003cbr\u003e ___10.2.1 Covariance\u003cbr\u003e ___10.2.2 Coefficient de corrélation\u003cbr\u003e ___10.2.3 Exercices pratiques d'analyse de covariance et de corrélation\u003cbr\u003e 10.3 Visualisation du temps\u003cbr\u003e ___10.3.1 Exercices de visualisation du temps\u003cbr\u003e 10.4 Visualisation comparative\u003cbr\u003e ___10.4.1 Exercices de visualisation comparative\u003cbr\u003e 10.5 Visualisation de la distribution\u003cbr\u003e ___10.5.1 Exercice de visualisation de la distribution\u003cbr\u003e 10.6 Visualisation des relations\u003cbr\u003e ___10.6.1 Exercice de visualisation des relations\u003cbr\u003e 10.7 Visualisation spatiale\u003cbr\u003e ___10.7.1 Exercices de visualisation spatiale\u003cbr\u003e 10.8 Diagramme en boîte\u003cbr\u003e ___10.8.1 Exercices sur les diagrammes en boîte\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 11 : Prétraitement des données et création de variables dérivées\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 11.1 Gestion des valeurs manquantes\u003cbr\u003e ___11.1.1 Exercices de gestion des valeurs manquantes\u003cbr\u003e 11.2 Gestion des valeurs aberrantes\u003cbr\u003e ___11.2.1 Pratique de gestion des valeurs aberrantes\u003cbr\u003e 11.3 Regroupement des variables\u003cbr\u003e ___11.3.1 Exercice de regroupement de variables\u003cbr\u003e 11.4 Standardisation et normalisation des données\u003cbr\u003e ___11.4.1 Pratique de normalisation et de mise à l'échelle des données\u003cbr\u003e 11.5 Création de variables dérivées pour améliorer les performances du modèle\u003cbr\u003e ___11.5.1 Exercice de création de variables dérivées\u003cbr\u003e 11.6 Traitement des données par fenêtre glissante\u003cbr\u003e ___11.6.1 Exercices sur les fenêtres coulissantes \u003cbr\u003e11.7 Traitement des variables indicatrices des variables catégorielles\u003cbr\u003e ___11.7.1 Exercice pratique sur la manipulation des variables indicatrices de variables catégorielles\u003cbr\u003e 11.8 Sous-échantillonnage et suréchantillonnage pour résoudre les problèmes de déséquilibre des classes\u003cbr\u003e ___11.8.1 Exercices de sous-échantillonnage et de sur-échantillonnage\u003cbr\u003e 11.9 Comment mesurer la distance de données\u003cbr\u003e 11.9.1 Méthodes de mesure de distance représentatives\u003cbr\u003e ___11.9.2 Exercices de mesure de distance\u003cbr\u003e\u003cbr\u003e \u003cb\u003e[Partie 3] Analyse des données\u003cbr\u003e\u003cbr\u003e ▣ Chapitre 12 : Méthodologie d'analyse statistique\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 12.1 Aperçu du modèle d'analyse\u003cbr\u003e 12.2 Analyse en composantes principales (ACP)\u003cbr\u003e ___12.2.1 Exercices pratiques d'analyse en composantes principales\u003cbr\u003e 12.3 Analyse factorielle commune (AFC)\u003cbr\u003e ___12.3.1 Pratique courante de l'analyse factorielle\u003cbr\u003e 12.4 Traitement de la multicolinéarité et analyse de la valeur de Shapley\u003cbr\u003e 12.5 Traitement des données et analyse à l'aveugle\u003cbr\u003e ___12.5.1 Massage des données\u003cbr\u003e ___12.5.2 Analyse à l'aveugle\u003cbr\u003e 12.6 Test Z et test T\u003cbr\u003e ___12.6.1 Exercices sur les tests Z et T\u003cbr\u003e 12.7 Analyse de la variance (ANOVA)\u003cbr\u003e ___12.7.1 Exercices d'ANOVA\u003cbr\u003e 12.8 Test du chi carré (tableau croisé)\u003cbr\u003e ___12.8.1 Exercices pratiques sur le test du chi carré\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 13 : Méthodologie d’analyse de l’apprentissage automatique\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 13.1 Analyse de régression linéaire et Elastic Net (modèle prédictif) \u003cbr\u003e___13.1.1 Origine et principes de l'analyse de régression\u003cbr\u003e ___13.1.2 Régression polynomiale\u003cbr\u003e ___13.1.3 Crête, Lasso et Filet élastique\u003cbr\u003e 13.1.4 Analyse de régression linéaire et exercices pratiques sur les réseaux élastiques\u003cbr\u003e 13.2 Analyse de régression logistique (modèle de classification)\u003cbr\u003e ___13.2.1 Exercices pratiques d'analyse de régression logistique\u003cbr\u003e 13.3 Arbres de décision et forêts aléatoires (modèles de prédiction\/classification)\u003cbr\u003e 13.3.1 Arbres de classification et arbres de régression\u003cbr\u003e ___13.3.2 Avantages et inconvénients des modèles d'arbres de décision\u003cbr\u003e 13.3.3 Méthodes de prévention du surapprentissage des modèles d'arbres de décision\u003cbr\u003e ___13.3.4 Forêt aléatoire\u003cbr\u003e ___13.3.5 Exercices pratiques sur les arbres de décision et les forêts aléatoires\u003cbr\u003e 13.4 Analyse discriminante linéaire et analyse discriminante quadratique (modèles de classification)\u003cbr\u003e 13.4.1 Analyse discriminante linéaire\u003cbr\u003e ___13.4.2 Analyse discriminante du second ordre\u003cbr\u003e ___13.4.3 Exercices d'analyse discriminante linéaire et d'analyse discriminante quadratique\u003cbr\u003e 13.5 Machine à vecteurs de support (modèle de classification)\u003cbr\u003e ___13.5.1 Exercices pratiques sur les machines à vecteurs de support\u003cbr\u003e 13.6 KNN (Modèle de classification et de prédiction)\u003cbr\u003e ___13.6.1 Pratique KNN\u003cbr\u003e 13.7 Analyse des séries chronologiques (modèle de prévision)\u003cbr\u003e 13.7.1 Analyse des séries chronologiques par régression\u003cbr\u003e ___13.7.2 Modèle ARIMA \u003cbr\u003e___13.7.3 Exercices pratiques d'analyse de séries chronologiques\u003cbr\u003e 13.8 Clustering k-means (modèle de clustering)\u003cbr\u003e ___13.8.1 Exercices de clustering k-means\u003cbr\u003e 13.9 Règles d'association et filtrage collaboratif (modèles de recommandation)\u003cbr\u003e ___13.9.1 Règles de l'association\u003cbr\u003e ___13.9.2 Filtrage basé sur le contenu et filtrage collaboratif\u003cbr\u003e ___13.9.3 Règles d'association et pratique du filtrage collaboratif\u003cbr\u003e 13.10 Réseaux de neurones artificiels (CNN, RNN, LSTM)\u003cbr\u003e ___13.10.1 CNN\u003cbr\u003e ___13.10.2 RNN et LSTM\u003cbr\u003e ___13.10.3 Exercices pratiques sur les réseaux de neurones artificiels\u003cbr\u003e\u003cbr\u003e \u003cb\u003e▣ Chapitre 14 : Évaluation du modèle\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e 14.1 Ensemble d'entraînement, ensemble de validation, ensemble de test et surapprentissage\u003cbr\u003e 14.2 Principales méthodes de validation croisée\u003cbr\u003e ___14.2.1 Validation croisée k-fold\u003cbr\u003e ___14.2.2 LOOCV (Validation croisée Leave-One-Out)\u003cbr\u003e ___14.2.3 Validation croisée stratifiée à K plis\u003cbr\u003e ___14.2.4 Validation croisée imbriquée\u003cbr\u003e 14.2.5 Validation croisée par recherche sur grille\u003cbr\u003e ___14.2.6 Mise en pratique des principales méthodes de validation croisée\u003cbr\u003e 14.3 Indice d'évaluation des performances de régression\u003cbr\u003e ___14.3.1 R² et R² ajusté\u003cbr\u003e ___14.3.2 RMSE (Root Mean Square Error)\u003cbr\u003e ___14.3.3 MAE (Erreur absolue moyenne)\u003cbr\u003e ___14.3.4 MAPE (Erreur moyenne absolue en pourcentage)\u003cbr\u003e ___14.3.5 RMSLE (Root Mean Square Logarithmic Error) \u003cbr\u003e___14.3.6 AIC et BIC\u003cbr\u003e ___14.3.7 Exercices pratiques d'évaluation des performances de régression\u003cbr\u003e 14.4 Indicateurs d'évaluation des performances de classification et de recommandation\u003cbr\u003e ___14.4.1 Matrice de confusion\u003cbr\u003e 14.4.2 Exactitude, taux d'erreur de classification, précision, sensibilité, spécificité et score F\u003cbr\u003e 14.4.3 Tableau d'amélioration, graphique d'amélioration et courbe d'amélioration\u003cbr\u003e ___14.4.4 Courbe ROC et AUC\u003cbr\u003e ___14.4.5 Courbe de profit\u003cbr\u003e ___14.4.6 Précision à k, rappel à K et MAP\u003cbr\u003e ___14.4.7 Classification, Recommandation, Indicateur d'évaluation des performances, Pratique\u003cbr\u003e 14.5 Tests A\/B et MAB\u003cbr\u003e ___14.5.1 Tests A\/B\u003cbr\u003e ___14.5.2 MAB\u003cbr\u003e 14.6 Pièges de la probabilité de signification\u003cbr\u003e 14.7 Jugement subjectif et narration de l'analyste\u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eImage détaillée\u003c\/b\u003e \u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\u003cdiv\u003e\u003cimg src=\"https:\/\/image.yes24.com\/momo\/TopCate4729\/MidCate007\/472860363.jpg\" border=\"0\" alt=\"Image détaillée 1\"\u003e\u003c\/div\u003e\u003c\/div\u003e\n\u003cbr\u003e\u003cdiv\u003e\u003ch5\u003e \u003cb\u003eAvis de l'éditeur\u003c\/b\u003e\n\u003c\/h5\u003e\u003c\/div\u003e\n\u003cdiv\u003e\n\u003cdiv\u003e \u003cb\u003e★ Ce que ce livre aborde ★\u003c\/b\u003e\u003cbr\u003e\u003cbr\u003e ◎ Concepts statistiques de base essentiels à l'analyse des données\u003cbr\u003e ◎ Biais des données et biais cognitifs\u003cbr\u003e ◎ Comment définir les problèmes commerciaux et en déduire l'objectif de l'analyse des données\u003cbr\u003e ◎ Configuration de l'environnement d'analyse des données\u003cbr\u003e ◎ Exploration et visualisation des données\u003cbr\u003e ◎ Prétraitement des données et création de variables dérivées \u003cbr\u003e◎ Principaux algorithmes d'apprentissage automatique et techniques d'évaluation des performances des modèles\u003cbr\u003e ◎ Tests A\/B et MAB \u003c\/div\u003e\n\u003cdiv\u003e\u003c\/div\u003e\n\u003c\/div\u003e\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cdiv style=\"width:95%;padding-top:20px;padding-bottom:20px\"\u003e\n\n\u003cdiv style=\"text-align:left;font-size:16px;font-weight:bold;padding-bottom:20px\"\u003e SPÉCIFICATIONS DES PRODUITS \u003c\/div\u003e\n\n\u003cdiv style=\"text-align:left;font-size:14px;line-height:1.6em;\"\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eDate d'émission :\u003c\/strong\u003e 30 août 2024\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eNombre de pages, poids, dimensions :\u003c\/strong\u003e 640 pages | 188 × 240 × 29 mm\u003c\/div\u003e\n\n\u003cdiv style=\"width:100%;margin-bottom:5px;line-height:1.6em;font-size:14px\"\u003e - \u003cstrong\u003eISBN13 :\u003c\/strong\u003e 9791158395483 \u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\n\u003c\/div\u003e\n\n\u003ccenter\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003ccenter\u003e\u003ctable\u003e\u003ctr\u003e\u003ctd style=\"height:10px\"\u003e\u003c\/td\u003e\u003c\/tr\u003e\u003c\/table\u003e\u003c\/center\u003e\n\n\u003cspan\u003e\u003c\/span\u003e\n\n\u003c\/center\u003e\n\n\n\u003c\/center\u003e","brand":"LIBRAIRIE COREENNE","offers":[{"title":"Default Title","offer_id":43893435695146,"sku":"154554","price":46.0,"currency_code":"EUR","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0683\/2750\/5962\/files\/2c77b1cc22ff3d713d2a12cc4a39bce3.jpg?v=1765401888","url":"https:\/\/librairie.coreenne.fr\/products\/154554","provider":"LIBRAIRIE COREENNE","version":"1.0","type":"link"}