|
|
|
|
| LEADER |
09716nam a22003377a 4500 |
| 001 |
572669 |
| 008 |
151005t20152015xxe ||| |||| 00| 0 fre d |
| 009 |
PPN188616039 |
| 020 |
|
|
|a 9782212142433 (br.) :
|c 35 EUR
|
| 024 |
|
|
|a 9782212142433
|
| 041 |
0 |
|
|a fre
|
| 082 |
|
|
|a 006.31
|z fre
|
| 100 |
1 |
|
|a Biernat, Éric,
|d 19..-
|
| 245 |
1 |
0 |
|a Data science :
|b fondamentaux et études de cas : machine learning avec Python et R
|c Éric Biernat, Michel Lutz ; [préface de Yann LeCun,...].
|
| 260 |
|
|
|a Paris :
|b Eyrolles,
|c DL 2015.
|
| 300 |
|
|
|a 1 volume (xiv-295 pages) :
|b illustrations, couverture illustrée ;
|c 23 cm.
|
| 490 |
1 |
|
|a [Blanche]
|
| 500 |
|
|
|a Autres tirages : 2016, 2017, 2018, 2019, 2020, 2022
|
| 504 |
|
|
|a Notes bibliographiques. Index
|
| 505 |
0 |
|
|a P. 9 -- Chapitre 1 Savoir poser un problème de data science -- P. 9 -- Introduction -- P. 10 -- Préliminaire : qu'est-ce que le machine learning ? -- P. 11 -- Au commencement était la donnée -- P. 11 -- Un prérequis indispensable -- P. 11 -- Que sont les données ? -- P. 12 -- Les principaux types de données -- P. 13 -- D'où viennent les données ? -- P. 14 -- Les algorithmes : pour faire quoi ? -- P. 14 -- Sous les données, des liens... plus ou moins certains ! -- P. 15 -- Une taxinomie des algorithmes -- P. 16 -- Algorithmes supervisés et non supervisés -- P. 18 -- Algorithmes de régression et de classification -- P. 20 -- Pour les plus curieux -- P. 21 -- Algorithmes et structures de données -- P. 21 -- Représentation matricielle des données -- P. 22 -- Que font les algorithmes ? -- P. 23 -- Références -- P. 25 -- Chapitre 2 Les outils informatiques -- P. 25 -- Quels logiciels ? -- P. 27 -- Quel environnement de travail ? -- P. 29 -- Références -- P. 31 -- Deuxième partie Les algorithmes et leurs usages : visite guidée -- P. 33 -- Sous-partie 1 Les basiques du data scientist -- P. 35 -- Chapitre 3 La régression linéaire univariée -- P. 35 -- Introduction -- P. 36 -- Définition de la fonction hypothèse -- P. 36 -- Qui dit approximation dit erreur -- P. 38 -- Minimiser la fonction de coût -- P. 40 -- Références -- P. 41 -- Chapitre 4 La régression linéaire multivariée -- P. 41 -- Introduction -- P. 41 -- Le modèle en détail -- P. 42 -- Normalisation -- P. 46 -- Résolution analytique -- P. 50 -- Références -- P. 51 -- Chapitre 5 La régression polynomiale -- P. 51 -- Introduction -- P. 51 -- Principes généraux de la régression polynomiale -- P. 55 -- La notion de sur-apprentissage -- P. 58 -- Le compromis biais-variance -- P. 59 -- Référence -- P. 61 -- Chapitre 6 La régression régularisée -- P. 61 -- Introduction -- P. 62 -- La régression ridge -- P. 64 -- Le LASSO -- P. 65 -- Ridge + LASSO = ElasticNet -- P. 66 -- Références -- P. 67 -- Chapitre 7 Naive Bayes -- P. 67 -- Introduction -- P. 67 -- Le théorème de Bayes et la notion d'indépendance -- P. 67 -- Le théorème de Bayes -- P. 68 -- La notion d'indépendance -- P. 68 -- Le modèle Naive Bayes par l'exemple -- P. 71 -- Le cadre général -- P. 71 -- Références -- P. 73 -- Chapitre 8 La régression logistique -- P. 73 -- Introduction -- P. 73 -- Le modèle en détail -- P. 73 -- La fonction hypothèse -- P. 74 -- Les fonctions sigmoïdes -- P. 78 -- La fonction de coût -- P. 79 -- Minimisation de la fonction de coût -- P. 80 -- Derrière la linéarité -- P. 82 -- Classification multiclasses -- P. 84 -- Régularisation -- P. 84 -- Références -- P. 85 -- Chapitre 9 Le clustering -- P. 85 -- Introduction -- P. 86 -- Le clustering hiérarchique -- P. 86 -- Principe -- P. 88 -- Les distances -- P. 89 -- Le critère d'agrégation -- P. 91 -- La notion de troncature -- P. 91 -- Le clustering non hiérarchique -- P. 91 -- Principe -- P. 92 -- Les centres mobiles -- P. 92 -- Quelques variantes -- P. 93 -- Les approches mixtes -- P. 94 -- Références -- P. 95 -- Chapitre 10 Introduction aux arbres de décision -- P. 95 -- Introduction -- P. 95 -- Principe -- P. 96 -- Construction d'un arbre de décision -- P. 98 -- Références -- P. 99 -- Sous-partie 2 L'artillerie lourde -- P. 101 -- Chapitre 11 Random forest -- P. 101 -- Introduction -- P. 101 -- Principes -- P. 101 -- L'idée de base -- P. 102 -- Le défaut des arbres de décisions -- P. 103 -- Le modèle en détail -- P. 103 -- Tree bagging -- P. 104 -- Feature sampling -- P. 105 -- Le critère de split -- P. 109 -- Conseils pratiques -- P. 109 -- Les paramètres de random forest -- P. 110 -- Interprétation de random forest -- P. 111 -- Quelques variantes de random forest -- P. 113 -- Références -- P. 115 -- Chapitre 12 Gradient boosting -- P. 115 -- Introduction -- P. 115 -- Le modèle en détail -- P. 115 -- Adaboost, le prestigieux ancêtre -- P. 121 -- Le gradient boosting -- P. 125 -- Le gradient boosting dans la pratique -- P. 125 -- Mise en oeuvre dans scikit-learn -- P. 128 -- Un exemple en classification -- P. 131 -- Une variante : xgboost -- P. 132 -- Références -- P. 133 -- Chapitre 13 Support Vector Machine -- P. 133 -- Introduction -- P. 133 -- La dimension VC -- P. 133 -- La théorie de Vapnik-Chervonenkis -- P. 134 -- La dimension de Vapnik-Chervonenkis -- P. 139 -- Interprétation de la dimension VC -- P. 140 -- Le SVM en détail -- P. 140 -- La notion de marge -- P. 146 -- Cas non linéairement séparable -- P. 152 -- Références -- P. 153 -- Troisième partie La data science en pratique : au-delà des algorithmes -- P. 155 -- Sous-partie 1 Quelques concepts généraux
|
| 505 |
0 |
|
|a P. 157 -- Chapitre 14 Évaluer une modèle -- P. 157 -- Introduction -- P. 158 -- La validation croisée -- P. 158 -- De la nécessité de diviser vos données -- P. 159 -- La validation croisée -- P. 160 -- Choix de la métrique de performance (P) -- P. 160 -- Pour les problèmes de régression -- P. 162 -- Pour les problèmes de classification -- P. 168 -- Références -- P. 171 -- Chapitre 15 Les espaces de grande dimension -- P. 171 -- Introduction -- P. 172 -- Les problèmes liés à la grande dimension -- P. 172 -- La malédiction de la dimension -- P. 174 -- La multicolinéarité -- P. 174 -- Autres problèmes liées aux grandes dimensions -- P. 175 -- La sélection de variables -- P. 175 -- Régression pas à pas -- P. 176 -- Approches machine learning -- P. 179 -- Réduction de dimensions : l'analyse en composantes principales -- P. 179 -- Objectif -- P. 180 -- Les grandes étapes de l'ACP -- P. 184 -- Exemple d'application -- P. 186 -- Digression : positionnement de l'ACP dans les statistiques classiques et complémentarité avec la classification -- P. 188 -- Références -- P. 189 -- Chapitre 16 Valeurs manquantes et valeurs aberrantes : généralités -- P. 189 -- Introduction -- P. 189 -- Qu'est-ce que les valeurs manquantes ? -- P. 191 -- Comment traiter les valeurs manquantes ? -- P. 194 -- Quid des valeurs aberrantes ? -- P. 196 -- Références -- P. 197 -- Sous-partie 2 À vos claviers ! -- P. 199 -- Chapitre 17 Prédire les survivants du Titanic -- P. 199 -- Introduction -- P. 199 -- Les données et le problème -- P. 202 -- La modélisation -- P. 202 -- Un premier modèle quick and dirty -- P. 204 -- Étude des variables -- P. 210 -- Random forest au secours du Titanic -- P. 212 -- Utilisation des autres variables -- P. 215 -- Chapitre 18 Classification automatique de zones de texte -- P. 215 -- Introduction -- P. 215 -- Les données et le problème -- P. 219 -- Les modélisations -- P. 219 -- Online learning -- P. 227 -- Stacking -- P. 234 -- Blend final -- P. 237 -- Références -- P. 239 -- Sous-partie 3 La temporalité dans les modèles, un cas particulier d'application -- P. 241 -- Chapitre 19 Qu'est-ce qu'une série temporelle ? L'approche classique -- P. 241 -- Pourquoi un focus sur les séries temporelles ? -- P. 243 -- Les méthodes exponentielles -- P. 245 -- Les méthodes probabilistes -- P. 248 -- Références -- P. 249 -- Chapitre 20 Machine learning et modélisation des séries temporelles -- P. 249 -- Principes -- P. 250 -- Création de variables propres aux données ordonnées -- P. 250 -- Séries temporelles classiques -- P. 258 -- Données comportementales : création de features par extraction de motifs séquentiels -- P. 265 -- Traitement des valeurs manquantes -- P. 265 -- Validation croisée pour les séries temporelles -- P. 266 -- Références -- P. 269 -- Chapitre 21 Un cas pratique de modélisation : rendement d'une colonne de distillation -- P. 269 -- Présentation du cas -- P. 270 -- Définition du modèle -- P. 271 -- Validation croisée et instabilité structurelle -- P. 275 -- Modélisation dynamique -- P. 278 -- Interprétation du modèle -- P. 279 -- Références -- P. 281 -- Chapitre 22 Clustering de séries temporelles -- P. 281 -- Principes -- P. 283 -- Un exemple d'application -- P. 283 -- Classification à partir de séries brutes -- P. 286 -- Classification à partir de métriques d'évaluation des séries
|
| 630 |
|
|
|a R
|n logiciel
|
| 650 |
|
|
|a Apprentissage automatique
|
| 650 |
|
|
|a Python (langage de programmation)
|
| 650 |
|
|
|a Statistique bayésienne
|
| 650 |
|
|
|a Analyse de régression
|
| 650 |
|
|
|a Modèles mathématiques
|
| 700 |
1 |
|
|a Lutz, Michel,
|d 1981-
|4 aut
|
| 700 |
1 |
|
|a Le Cun, Yann,
|d 1960-
|4 aui
|
| 776 |
0 |
|
|0 192044702
|t Data science
|o fondamentaux et études de cas
|o machine learning avec Python et R
|f Éric Biernat, Michel Lutz
|d 2015
|c Paris
|n Eyrolles
|z 978-2-212-31466-3
|
| 997 |
|
|
|0 572669
|1 Livre papier
|a Ressource papier
|b INSA
|c 0/Bourges/
|c 0/Orléans/
|c 1/Bourges/INSA CVL/
|c 1/Orléans/BU Sciences, Technologies, STAPS/
|z Orléans, BU Sciences, Technologies, STAPS, 006.31 BIE
|z Orléans, BU Sciences, Technologies, STAPS, 006.31 BIE
|z Bourges, INSA CVL, 005.7 BIE
|
