Cover image

Data science pour l'entreprise / Foster Provost, Tom Fawcett ; [traduction française, Myriam Rakho]

PPN : 230095291Main Author : Provost, FosterCoauthor : Fawcett, TomSecondary author : Rakho, MyriamPublication : Paris : Eyrolles, DL 2018Description : 1 vol. (X-371 p.) : ill., couv. ill. en coul. ; 23 cmISBN : 978-2-212-67570-2Belong to the serie : BlancheOther edition on other media : Data science pour l'entrepriseSubject - Topical Name : Exploration de données | Données massives | Sciences de l'information | Gestion -- Informatique | Data mining | Big data | Information science | Business -- Data processing Document type : Livre
Item type Current location Call number Status Date due Barcode Item holds
Prêt normal INSA
INSA - Salle
005.7 PRO (Browse shelf) Available 1710340441
Total holds: 0

Trad. de : "Data science for business"

La couv. porte en plus : "Principes fondamentaux pour développer son activité"

Bibliogr. p. [349]-356. Notes bibliogr. Glossaire. Index

La 4ème de couv. indique : "Cet ouvrage traite de façon détaillée mais non technique les principes fondamentaux de la data science. Tout au long d'un processus de "raisonnement orienté données", il vous guidera pour acquérir des connaissances utiles et extraire une valeur économique des données que vous collectez. L'apprentissage de la data science vous permettra de comprendre les nombreuses techniques de data mining utilisées aujourd'hui. Ces principes sous-tendent tous les processus et stratégies de data mining qui servent à résoudre des problèmes d'entreprise"

Cet ouvrage s'adresse aux personnes issues du monde de l'entreprise qui envisagent de travailler avec des data scientists, de gérer des projets orientés data science ou d'investir dans des entreprises spécialisées en data science ; aux développeurs qui mettront en œuvre des solutions de data science ; aux data scientists en devenir.

Chapitre 1. Le raisonnement orienté données Chapitre 2. Problèmes d'entreprises et solutions de data science Chapitre 3. Introduction à la modélisation prédictive : des corrélations à la segmentation supervisée Chapitre 4. Ajuster un modèle aux données Chapitre 5. Le surajustement et comment l'éviter Chapitre 6. Similarité, voisins et clusters Chapitre 7. L'analyse décisionnelle I : qu'est-ce qu'un bon modèle ? Chapitre 8. Visualiser les performances d'un modèle Chapitre 9. Preuves et probabilités Chapitre 10. Représentation et exploration de textes Chapitre 11. L'analyse décisionnelle II : vers l'ingéniérie analytique Chapitre 12. Autres problèmes et techniques de data science Chapitre 13. Data science et stratégie commerciale Chapitre 14. Conclusion Annexe A. Guide d'évaluation des propositions de projet Annexe B. Un autre exemple de proposition de projet

 

Powered by Koha