Big data et machine learning : les concepts et les outils de la data science
"Cet ouvrage s adresse à tous ceux qui réfléchissent à la meilleure utilisation possible des données au sein de l entreprise, qu ils soient data scientists, DSI, chefs de projets ou spécialistes métier. Le Big Data s est imposé comme une innovation majeure pour toutes les entreprises qui cherch...
Uloženo v:
| Hlavní autoři: | , , , |
|---|---|
| Další autoři: | |
| Médium: | Livre papier |
| Jazyk: | Français |
| Vydáno: |
Malakoff :
Dunod
DL 2016.
|
| Vydání: | 2e édition. |
| Edice: | InfoPro. Management des systèmes d'information
|
| Témata: | |
| Poznámka: |
Suite du tirage : 2018 Autre contribution : Jean-Luc Raffaëlli (auteur) |
| Autres localisations: | Voir dans le Sudoc |
| Edition sous un autre format: | • Big data et machine learning, les concepts et les outils de la data science, Pirmin Lemberger,... Marc Batty,... Médéric Morel,... [et al.], 2e édition, 2016, Malakoff, Dunod, InfoPro, 978-2-10-075665-0 |
| LEADER | 06264nam a22003977a 4500 | ||
|---|---|---|---|
| 001 | 601934 | ||
| 008 | 161010t20162016xxe ||| |||| 00| 0 fre d | ||
| 009 | PPN195624653 | ||
| 020 | |a 9782100754632 (broché) : |c 29,90 EUR | ||
| 024 | |a 9782100754632 | ||
| 041 | 0 | |a fre | |
| 082 | |a 006.31 |z fre | ||
| 082 | |a 658.05 | ||
| 082 | |a 658.403 8 | ||
| 084 | |a 68Pxx. 2000 | ||
| 084 | |a 68N19. 2000 | ||
| 100 | 1 | |a Lemberger, Pirmin. | |
| 245 | 1 | 0 | |a Big data et machine learning : |b les concepts et les outils de la data science |c Pirmin Lemberger,... Marc Batty,... Médéric Morel,... [et al.] ; préface d'Aurélien Géron. |
| 250 | |a 2e édition. | ||
| 260 | |a Malakoff : |b Dunod, |c DL 2016. | ||
| 300 | |a 1 volume (XVI-255 pages) : |b illustrations, couverture illustrée en couleurs ; |c 25 cm. | ||
| 490 | 1 | |a InfoPro. Management des systèmes d'information | |
| 500 | |a Suite du tirage : 2018 | ||
| 500 | |a Autre contribution : Jean-Luc Raffaëlli (auteur) | ||
| 504 | |a Notes bibliographiques et webographie. Index | ||
| 505 | 0 | |a P. III -- Préface -- P. XV -- Avant-propos -- Première partie - Les fondements du Big Data -- P. 3 -- Chapitre 1 - Les origines du Big Data -- P. 3 -- 1.1 La perception de la donnée dans le grand public -- P. 5 -- 1.2 Des causes économiques et technologiques -- P. 8 -- 1.3 La donnée et l'information -- P. 9 -- 1.4 La valeur -- P. 10 -- 1.5 Les ressources nécessaires -- P. 11 -- 1.6 De grandes opportunités -- P. 13 -- Chapitre 2 - Le Big Data dans les organisations -- P. 13 -- 2.1 La recherche de l'Eldorado -- P. 14 -- 2.2 L'avancée par le cloud -- P. 15 -- 2.3 La création de la valeur -- P. 15 -- 2.4 Les 3V du Big Data -- P. 17 -- 2.5 Un champ immense d'applications -- P. 19 -- 2.6 Exemples de compétences à acquérir -- P. 22 -- 2.7 Des impacts à tous les niveaux -- P. 26 -- 2.8 B comme Big Data ou Big Brother ? -- P. 29 -- Chapitre 3 - Le mouvement NoSQL -- P. 29 -- 3.1 Bases relationnelles, les raisons d'une domination -- P. 34 -- 3.2 Le dogme remis en question -- P. 40 -- 3.3 Les différentes catégories de solutions -- P. 50 -- 3.4 Le NoSQL est-il l'avenir des bases de données ? -- P. 53 -- Chapitre 4 - L'algorithme MapReduce et le framework Hadoop -- P. 53 -- 4.1 Automatiser le calcul parallèle -- P. 54 -- 4.2 Le pattern MapReduce -- P. 58 -- 4.3 Des exemples d'usage de MapReduce -- P. 63 -- 4.4 Le framework Hadoop -- P. 68 -- 4.5 Au-delà de MapReduce -- Deuxième partie - Le métier de data scientist -- P. 73 -- Chapitre 5 - Le quotidien du data scientist -- P. 73 -- 5.1 Data scientist : licorne ou réalité ? -- P. 80 -- 5.2 Le data scientist dans l'organisation -- P. 82 -- 5.3 Le workflow du data scientist -- P. 91 -- Chapitre 6 - Exploitation et préparation de données -- P. 91 -- 6.1 Le déluge des données -- P. 96 -- 6.2 L'exploitation de données -- P. 101 -- 6.3 La préparation de données -- P. 106 -- 6.4 Les outils de préparation de données -- P. 109 -- Chapitre 7 - Le Machine Learning -- P. 109 -- 7.1 Qu'est-ce que Le Machine Learning ? -- P. 119 -- 7.2 Les différents types de Machine Learning -- P. 122 -- 7.3 Les principaux algorithmes -- P. 136 -- 7.4 Réseaux de neurones et Deep Learning -- P. 152 -- 7.5 Illustrations numériques -- P. 163 -- 7.6 Systèmes de recommandation -- P. 173 -- Chapitre 8 - La visualisation des données -- P. 173 -- 8.1 Pourquoi visualiser l'information ? -- P. 177 -- 8.2 Quels graphes pour quels usages ? -- P. 184 -- 8.3 Représentation de donnée complexes -- Troisième partie - Les outils du Big Data -- P. 193 -- Chapitre 9 - L'écosystème Hadoop -- P. 194 -- 9.1 La jungle de l'éléphant -- P. 196 -- 9.2 Les composants d'Apache Hadoop -- P. 203 -- 9.3 Les principales distributions Hadoop -- P. 206 -- 9.4 Spark ou la promesse du traitement Big Data in-memory -- P. 212 -- 9.5 Les briques analytiques à venir -- P. 214 -- 9.6 Les librairies de calcul -- P. 219 -- Chapitre 10 - Analyse de logs avec Pig et Hive -- P. 219 -- 10.1 Pourquoi analyser des logs ? -- P. 220 -- 10.2 Pourquoi choisir Pig ou Hive ? -- P. 221 -- 10.3 La préparation des données -- P. 226 -- 10.4 L'analyse des parcours clients -- P. 229 -- Chapitre 11 - Les architectures gamma -- P. 229 -- 11.1 Les enjeux du temps réel -- P. 231 -- 11.2 Rappels sur MapReduce et Hadoop -- P. 231 -- 11.3 Les architectures gamma -- P. 239 -- Chapitre 12 - Apache Storm -- P. 239 -- 12.1 Qu'est-ce que Storm ? -- P. 240 -- 12.2 Positionnement et intérêt dans les architectures gamma -- P. 241 -- 12.3 Principes de fonctionnement -- P. 244 -- 12.4 Un exemple très simple -- P. 247 -- Conclusion -- P. 251 -- Index | |
| 520 | |a "Cet ouvrage s adresse à tous ceux qui réfléchissent à la meilleure utilisation possible des données au sein de l entreprise, qu ils soient data scientists, DSI, chefs de projets ou spécialistes métier. Le Big Data s est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc. Mais quelle solution technique choisir ? Quelles compétences métier développer au sein de la DSI ? Ce livre est un guide pour comprendre les enjeux d un projet Big Data, en appréhender les concepts sous-jacents (en particulier le machine learning) et acquérir les compétences nécessaires à la mise en place d un data lab... Cette deuxième édition est complétée et enrichie par des mises à jour sur les réseaux de neurones et sur le Deep Learning ainsi que sur Spark." | ||
| 650 | |a Données massives | ||
| 650 | |a Apprentissage automatique | ||
| 650 | |a Exploration de données | ||
| 700 | 1 | |a Batty, Marc. |4 aut | |
| 700 | 1 | |a Morel, Médéric. |4 aut | |
| 700 | 1 | |a Raffaëlli, Jean-Luc. |4 aut | |
| 700 | 1 | |a Géron, Aurélien, |d 19..-...., |c développeur informatique. |4 aui | |
| 776 | 0 | |0 197272681 |t Big data et machine learning |o les concepts et les outils de la data science |f Pirmin Lemberger,... Marc Batty,... Médéric Morel,... [et al.] |e 2e édition |d 2016 |c Malakoff |n Dunod |s InfoPro |z 978-2-10-075665-0 | |
| 997 | |0 601934 |1 Livre papier |a Ressource papier |c 0/Orléans/ |c 1/Orléans/BU Sciences, Technologies, STAPS/ |z Orléans, BU Sciences, Technologies, STAPS, 005.74 BIG | ||