À paraître
Data Scientist et langage R. Statistiques, Machine Learning
4e édition
Par : , Formats :
Bientôt disponible
La date de sortie de cet article n'est pas encore confirmée. Selon l'éditeur, il sera bientôt disponible.
- Nombre de pages600
- PrésentationBroché
- FormatGrand Format
- Poids0.99 kg
- Dimensions17,8 cm × 21,6 cm × 3,1 cm
- ISBN978-2-409-05074-9
- EAN9782409050749
- Date de parution18/08/2025
- CollectionEpsilon
- ÉditeurENI (Editions)
Résumé
Ce guide complet sur la Data Science vous plonge dans un univers passionnant : langage R, réseaux neuronaux, IA générative, outils incontournables du machine learning et du deep learning sont autant de sujets qui vous permettront de devenir promoteurs d'innovations dans votre organisation. Clair et progressif, ce guide accompagne aussi bien les professionnels souhaitant approfondir leurs compétences que les managers désireux de mieux comprendre les enjeux de la data science, sans tomber dans l'excès de formalisme.
Cette quatrième édition, entièrement repensée, propose une exploration progressive des concepts clés. Vous commencerez par découvrir le langage R, ses liens étroits avec les statistiques et le machine learning, avant d'approfondir les réseaux neuronaux et l'intelligence artificielle générative. Vous apprendrez à utiliser - et même à améliorer localement - vos propres modèles LLM (comme les GPT) grâce aux techniques modernes telles que le RAG et les agents intelligents.
Les auteurs proposent une approche multiplateforme R/Python à travers des frameworks communs et puissants : - Shiny pour créer des applications web de data science ; - ggplot2 pour des visualisations de haute qualité ; - igraph pour l'analyse de graphes ; - NLTK pour le traitement du langage naturel ; - PyTorch, Keras et TensorFlow pour le deep learning. Vous découvrirez également comment intégrer R et Python dans une même application et manipuler les données de manière cohérente d'un langage à l'autre.
Les bases mathématiques sont présentées de manière claire et accessible, permettant de comprendre les notations des publications scientifiques, les manipulations tensorielles en PyTorch ou encore les calculs différentiels via le package Pracma (R) qui clone les fonctions de Matlab. L'ouvrage traite enfin de sujets avancés : séries temporelles, logique floue, traitement d'images, inférence spatio-temporelle et NLP.
Les codes R du livre sont disponibles en téléchargement sur editions-eni. fr.
Cette quatrième édition, entièrement repensée, propose une exploration progressive des concepts clés. Vous commencerez par découvrir le langage R, ses liens étroits avec les statistiques et le machine learning, avant d'approfondir les réseaux neuronaux et l'intelligence artificielle générative. Vous apprendrez à utiliser - et même à améliorer localement - vos propres modèles LLM (comme les GPT) grâce aux techniques modernes telles que le RAG et les agents intelligents.
Les auteurs proposent une approche multiplateforme R/Python à travers des frameworks communs et puissants : - Shiny pour créer des applications web de data science ; - ggplot2 pour des visualisations de haute qualité ; - igraph pour l'analyse de graphes ; - NLTK pour le traitement du langage naturel ; - PyTorch, Keras et TensorFlow pour le deep learning. Vous découvrirez également comment intégrer R et Python dans une même application et manipuler les données de manière cohérente d'un langage à l'autre.
Les bases mathématiques sont présentées de manière claire et accessible, permettant de comprendre les notations des publications scientifiques, les manipulations tensorielles en PyTorch ou encore les calculs différentiels via le package Pracma (R) qui clone les fonctions de Matlab. L'ouvrage traite enfin de sujets avancés : séries temporelles, logique floue, traitement d'images, inférence spatio-temporelle et NLP.
Les codes R du livre sont disponibles en téléchargement sur editions-eni. fr.
Ce guide complet sur la Data Science vous plonge dans un univers passionnant : langage R, réseaux neuronaux, IA générative, outils incontournables du machine learning et du deep learning sont autant de sujets qui vous permettront de devenir promoteurs d'innovations dans votre organisation. Clair et progressif, ce guide accompagne aussi bien les professionnels souhaitant approfondir leurs compétences que les managers désireux de mieux comprendre les enjeux de la data science, sans tomber dans l'excès de formalisme.
Cette quatrième édition, entièrement repensée, propose une exploration progressive des concepts clés. Vous commencerez par découvrir le langage R, ses liens étroits avec les statistiques et le machine learning, avant d'approfondir les réseaux neuronaux et l'intelligence artificielle générative. Vous apprendrez à utiliser - et même à améliorer localement - vos propres modèles LLM (comme les GPT) grâce aux techniques modernes telles que le RAG et les agents intelligents.
Les auteurs proposent une approche multiplateforme R/Python à travers des frameworks communs et puissants : - Shiny pour créer des applications web de data science ; - ggplot2 pour des visualisations de haute qualité ; - igraph pour l'analyse de graphes ; - NLTK pour le traitement du langage naturel ; - PyTorch, Keras et TensorFlow pour le deep learning. Vous découvrirez également comment intégrer R et Python dans une même application et manipuler les données de manière cohérente d'un langage à l'autre.
Les bases mathématiques sont présentées de manière claire et accessible, permettant de comprendre les notations des publications scientifiques, les manipulations tensorielles en PyTorch ou encore les calculs différentiels via le package Pracma (R) qui clone les fonctions de Matlab. L'ouvrage traite enfin de sujets avancés : séries temporelles, logique floue, traitement d'images, inférence spatio-temporelle et NLP.
Les codes R du livre sont disponibles en téléchargement sur editions-eni. fr.
Cette quatrième édition, entièrement repensée, propose une exploration progressive des concepts clés. Vous commencerez par découvrir le langage R, ses liens étroits avec les statistiques et le machine learning, avant d'approfondir les réseaux neuronaux et l'intelligence artificielle générative. Vous apprendrez à utiliser - et même à améliorer localement - vos propres modèles LLM (comme les GPT) grâce aux techniques modernes telles que le RAG et les agents intelligents.
Les auteurs proposent une approche multiplateforme R/Python à travers des frameworks communs et puissants : - Shiny pour créer des applications web de data science ; - ggplot2 pour des visualisations de haute qualité ; - igraph pour l'analyse de graphes ; - NLTK pour le traitement du langage naturel ; - PyTorch, Keras et TensorFlow pour le deep learning. Vous découvrirez également comment intégrer R et Python dans une même application et manipuler les données de manière cohérente d'un langage à l'autre.
Les bases mathématiques sont présentées de manière claire et accessible, permettant de comprendre les notations des publications scientifiques, les manipulations tensorielles en PyTorch ou encore les calculs différentiels via le package Pracma (R) qui clone les fonctions de Matlab. L'ouvrage traite enfin de sujets avancés : séries temporelles, logique floue, traitement d'images, inférence spatio-temporelle et NLP.
Les codes R du livre sont disponibles en téléchargement sur editions-eni. fr.
