Le Machine Learning avec Python. De la théorie à la pratique
Par :Formats :
Définitivement indisponible
Cet article ne peut plus être commandé sur notre site (ouvrage épuisé ou plus commercialisé). Il se peut néanmoins que l'éditeur imprime une nouvelle édition de cet ouvrage à l'avenir. Nous vous invitons donc à revenir périodiquement sur notre site.
- 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
Ce livre sur le Machine Learning avec le langage Python permet aux lecteurs novices ou étudiants de disposer des connaissances théoriques nécessaires pour une compréhension approfondie du Machine Learning et d'appréhender les outils techniques utiles pour mettre en pratique les concepts étudiés. L'auteur y expose des exemples concrets sur les concepts de l'apprentissage automatique. Des lecteurs plus avertis trouveront dans ce livre une occasion d'aller plus loin dans leur compréhension des algorithmes du Machine Learning et les enseignants pourront y voir une ressource adaptée pour dispenser un cours sur le sujet.
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.
Ce livre sur le Machine Learning avec le langage Python permet aux lecteurs novices ou étudiants de disposer des connaissances théoriques nécessaires pour une compréhension approfondie du Machine Learning et d'appréhender les outils techniques utiles pour mettre en pratique les concepts étudiés. L'auteur y expose des exemples concrets sur les concepts de l'apprentissage automatique. Des lecteurs plus avertis trouveront dans ce livre une occasion d'aller plus loin dans leur compréhension des algorithmes du Machine Learning et les enseignants pourront y voir une ressource adaptée pour dispenser un cours sur le sujet.
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.
A propos de Madjid Khichane
49,00 €
77,90 €