Le Machine Learning avec Python. De la théorie à la pratique
Par :Formats :
- Réservation en ligne avec paiement en magasin :
- Indisponible pour réserver et payer en magasin
- Nombre de pages400
- PrésentationBroché
- FormatGrand Format
- Poids1.223 kg
- Dimensions17,8 cm × 21,6 cm × 4,0 cm
- ISBN978-2-409-03181-6
- EAN9782409031816
- Date de parution15/09/2021
- CollectionExpert IT
- ÉditeurENI (Editions)
Résumé
Pour commencer, l'auteur explique les enjeux de la Data Science ainsi que les notions fondamentales du Machine Learning avant de présenter la démarche théorique d'une expérimentation en Data Science avec des notions de modélisation d'un problème et les métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique avec le langage Python en manipulant les bibliothèques Numpy et Pandas ainsi que l'environnement Jupyter, et aborder ainsi sereinement les chapitres suivants qui lui feront découvrir les notions mathématiques, et la pratique sous-jacente, relatives aux algorithmes du Machine Learning : statistiques pour la Data Science, régression linéaire et polynomiale, régression logistique, arbres de décision et Random Forest, K-means, Support Vector Machine, analyse en composantes principales et réseaux de neurones.
Des éléments complémentaires sont en téléchargement sur le site www. editions-eni. fr.
Pour commencer, l'auteur explique les enjeux de la Data Science ainsi que les notions fondamentales du Machine Learning avant de présenter la démarche théorique d'une expérimentation en Data Science avec des notions de modélisation d'un problème et les métriques de mesure de performances d'un modèle. Le lecteur peut ensuite passer à la pratique avec le langage Python en manipulant les bibliothèques Numpy et Pandas ainsi que l'environnement Jupyter, et aborder ainsi sereinement les chapitres suivants qui lui feront découvrir les notions mathématiques, et la pratique sous-jacente, relatives aux algorithmes du Machine Learning : statistiques pour la Data Science, régression linéaire et polynomiale, régression logistique, arbres de décision et Random Forest, K-means, Support Vector Machine, analyse en composantes principales et réseaux de neurones.
Des éléments complémentaires sont en téléchargement sur le site www. editions-eni. fr.