La data science pour modéliser les systèmes complexes : optimiser la prédiction, l'estimation et l'interprétation
"La data science est devenue un outil de prévision et d'aide à la décision indispensable aux ingénieurs, aux chercheurs et aux responsables en charge de la gestion des projets et des processus. Toutefois, son application à des systèmes complexes exige de dépasser les méthodes linéaires de...
Guardat en:
| Autor principal: | |
|---|---|
| Format: | Livre numérique |
| Idioma: | Français |
| Publicat: |
Malakoff :
Dunod
2022.
|
| Matèries: | |
| Accés en línia: | Accès Université d'Orléans et IFPM Accès INSA CVL |
| Nota: |
Couverture. https://static2.cyberlibris.com/books_upload/136pix/9782100849376.jpg Titre provenant de la page de titre du document numérique La pagination de l'édition imprimée correspondante est de 218 p. Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur |
| Autres localisations: | Voir dans le Sudoc |
| Edition sous un autre format: | • La data science pour modéliser les systèmes complexes, optimiser la prédiction, l'estimation et l'interprétation, Alain Chautard, 2022, Malakoff, Dunod, 1 vol. (IX-210 p.), Collection technique & ingénierie, 978-2-10-083087-9 |
| Sumari: | "La data science est devenue un outil de prévision et d'aide à la décision indispensable aux ingénieurs, aux chercheurs et aux responsables en charge de la gestion des projets et des processus. Toutefois, son application à des systèmes complexes exige de dépasser les méthodes linéaires de modélisation généralement appliquées. En effet, si ces méthodes fonctionnent dans la plupart des environnements, elles présentent d'importants biais dès lors que l'on a affaire à des systèmes complexes (météorologie, physique non linéaire, économétrie, finance, etc.). En s'appuyant sur trois cas concrets représentatifs (environnement physique, marchés financiers, gestion de projet), cet ouvrage illustre comment exploiter les données de systèmes complexes pour construire des modèles maîtrisables, exploitables et performants en termes de prédiction, d'estimation et d'interprétation. Il offre une réflexion globale sur les spécificités des systèmes complexes ainsi que des outils concrets pour mieux les interpréter. Points forts : un ouvrage s'attachant aux systèmes complexes et non linéaires, plus difficiles à modéliser. Des méthodes de modélisation permettant une réduction des coûts et une augmentation de la robustesse des résultat : une approche transverse de la data science (physique, ingénierie, économie, sciences sociales...). Contenu de l'ouvrage : complexité et système complexe. Méthode d'approche systémique. Modélisation d'environnement physique. Modèle comportemental des marchés financiers. Modèle statistique de la réponse à appel d'offres et de la gestion de projets." |
|---|---|
| Descripció de l’ítem: | Couverture. https://static2.cyberlibris.com/books_upload/136pix/9782100849376.jpg Titre provenant de la page de titre du document numérique La pagination de l'édition imprimée correspondante est de 218 p. Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur Cyberlibris (ScholarVox) corpus Sciences de l'ingénieur |
| Format: | Configuration requise : navigateur internet |
| Bibliografia: | Bibliogr. p. 203-207. Index |
| ISBN: | 9782100849376 |
| Accés: | L'accès en ligne est réservé aux établissements ou bibliothèques ayant souscrit l'abonnement. Cyberlibris |