Data Science avec Microsoft Azure


Auteur

Madjid KHICHANE

ISBN

9782409012785

Pages

346 pages

Collection

epsilon

Éditeur

ENI

Parution

AVRIL 2018

84,95$

UGS : 9782409012785 Catégorie : Étiquettes : ,

Préface de Pierre BRUNO – Vice-Président et Directeur Général, Europe du Sud, DXC Technology

Ce livre sur la Data Science a pour objectif de donner au lecteur les connaissances théoriques et pratiques nécessaires pour appréhender le Machine Learning sous Microsoft Azure. Les étudiants ou les lecteurs novices découvriront pas à pas et à travers des exemples pratiques les concepts algorithmiques du Machine Learning et la solution Cortana Intelligence Suite. Les lecteurs avertis ou les Data Scientists découvriront l’environnement de développement et de déploiement des modèles prédictifs Microsoft Azure Machine Learning Studio.

Dans le premier chapitre, l’auteur donne les clés pour comprendre les enjeux de la Data Science, les notions fondamentales du Machine Learning, la démarche théorique d’une expérimentation Data Science, les notions de modélisation d’un problème et le choix des métriques pour mesurer les performances d’un modèle.

Le deuxième chapitre est entièrement dédié à la présentation de la solution Cortana Intelligence Suite. Le lecteur est ainsi invité à développer et à configurer les composants les plus couramment utilisés de cette solution.

Les chapitres suivants permettent au lecteur de découvrir les notions mathématiques sous-jacentes aux algorithmes du Machine Learning (régressionarbres de décisionalgorithme K-meansréseaux de neurones, Support Vector Machine…) et d’appliquer ces algorithmes sur des exemples concrets dans l’environnement Microsoft Azure Machine Learning Studio. Le dernier chapitre de ce livre est consacré aux possibilités d’extension de l’environnement Azure Machine Learning Studio avec le langage R.

Les chapitres du livre :
Préface – Avant-propos – La Data Science – Microsoft Cortana Intelligence Suite – La régression linéaire et polynomiale – La régression logistique – Arbres de décision et Random Forest – L’algorithme k-means – Analyse en composantes principales – Réseaux de neurones – Support Vector Machine – R et Azure ML Studio – Conclusion