Nouveauté
La Science des Données avec Python Techniques D'apprentissage Supervisé: KNN, SVM, Naive Bayes, Bagging, Boosting, Stacking et Reseaux Neuronaux. DATA SCIENCE
Par :Formats :
Disponible dans votre compte client Decitre ou Furet du Nord dès validation de votre commande. Le format ePub est :
- Compatible avec une lecture sur My Vivlio (smartphone, tablette, ordinateur)
- Compatible avec une lecture sur liseuses Vivlio
- Pour les liseuses autres que Vivlio, vous devez utiliser le logiciel Adobe Digital Edition. Non compatible avec la lecture sur les liseuses Kindle, Remarkable et Sony
, qui est-ce ?Notre partenaire de plateforme de lecture numérique où vous retrouverez l'ensemble de vos ebooks gratuitement
Pour en savoir plus sur nos ebooks, consultez notre aide en ligne ici
C'est si simple ! Lisez votre ebook avec l'app Vivlio sur votre tablette, mobile ou ordinateur :
- FormatePub
- ISBN8232021252
- EAN9798232021252
- Date de parution16/11/2025
- Protection num.pas de protection
- Infos supplémentairesepub
- ÉditeurHamza elmir
Résumé
Les algorithmes de science des données utilisent des méthodes de calcul pour extraire des informations directement des données. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues afin qu'il puisse prédire les résultats futurs, et l'apprentissage non supervisé, qui trouve des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et d'un point de vue pratique avec des applications via le logiciel Python. Les techniques suivantes sont explorées en profondeur : voisin le plus proche (kNN), machine à vecteurs de support (SVM), Bayes naïf, méthodes d'ensemble, bagging, boosting, vote, empilement, mélange, forêt aléatoire, réseaux de neurones, perceptron multicouche, réseaux à base radiale, réseaux Hopfield, réseaux LSTM, réseaux récurrents RNN, réseaux GRU et réseaux de neurones pour la prédiction de séries temporelles.
La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et d'un point de vue pratique avec des applications via le logiciel Python. Les techniques suivantes sont explorées en profondeur : voisin le plus proche (kNN), machine à vecteurs de support (SVM), Bayes naïf, méthodes d'ensemble, bagging, boosting, vote, empilement, mélange, forêt aléatoire, réseaux de neurones, perceptron multicouche, réseaux à base radiale, réseaux Hopfield, réseaux LSTM, réseaux récurrents RNN, réseaux GRU et réseaux de neurones pour la prédiction de séries temporelles.
Les algorithmes de science des données utilisent des méthodes de calcul pour extraire des informations directement des données. L'apprentissage automatique utilise deux types de techniques : l'apprentissage supervisé, qui entraîne un modèle avec des données d'entrée et de sortie connues afin qu'il puisse prédire les résultats futurs, et l'apprentissage non supervisé, qui trouve des modèles cachés ou des structures intrinsèques dans les données d'entrée.
La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et d'un point de vue pratique avec des applications via le logiciel Python. Les techniques suivantes sont explorées en profondeur : voisin le plus proche (kNN), machine à vecteurs de support (SVM), Bayes naïf, méthodes d'ensemble, bagging, boosting, vote, empilement, mélange, forêt aléatoire, réseaux de neurones, perceptron multicouche, réseaux à base radiale, réseaux Hopfield, réseaux LSTM, réseaux récurrents RNN, réseaux GRU et réseaux de neurones pour la prédiction de séries temporelles.
La plupart des techniques d'apprentissage supervisé sont développées tout au long de cet ouvrage d'un point de vue méthodologique et d'un point de vue pratique avec des applications via le logiciel Python. Les techniques suivantes sont explorées en profondeur : voisin le plus proche (kNN), machine à vecteurs de support (SVM), Bayes naïf, méthodes d'ensemble, bagging, boosting, vote, empilement, mélange, forêt aléatoire, réseaux de neurones, perceptron multicouche, réseaux à base radiale, réseaux Hopfield, réseaux LSTM, réseaux récurrents RNN, réseaux GRU et réseaux de neurones pour la prédiction de séries temporelles.
