Data Scientist et langage R

Data Scientist et langage R

69,95 $

Guide d’autoformation à l’exploitation des Big Data

Auteur

Henri LAUDE

ISBN

978-2-4090-0043-0

Pages

663 pages

Collection

epsilon

Parution

Avril 2016

Éditeur

ENI

Livraison gratuite pour tout achat supérieur à 50$
  • Délai de 4 à 7 jours ouvrables

Tous les experts s’accordent à dire que 90% des usages du Big Data proviennent de l’utilisation des data sciences. L’objectif de ce livre est de proposer une formation complète et opérationnelle sur les data sciences qui permet de délivrer des solutions via l’usage du langage R.

Ainsi, l’auteur propose un parcours didactique et professionnalisant qui, sans autre pré-requis qu’un niveau Bac en mathématiques et une grande curiosité, permet au lecteur :
– de s’intégrer à une équipe de data scientists,
– d’aborder des articles de recherche possédant une haute teneur en mathématiques,
– le cas échéant de développer en langage R, y compris des algorithmes nouveaux et de beaux graphiques,
– ou tout simplement de manager une équipe projet comprenant des data scientists, en étant à même de dialoguer avec eux de façon efficace.

Le livre ne se cantonne pas aux algorithmes du « machine learning », il aborde divers sujets importants comme le traitement du langage naturel, les séries temporelles, la logique floue, la manipulation des images.

La dynamique de l’ouvrage soutient le lecteur pas à pas dans sa découverte des data sciences et l’évolution de ses compétences théoriques et pratiques. Le praticien en exercice y découvrira également de nombreux savoir-faire à acquérir et le manager pourra surfer sur l’ouvrage après avoir lu attentivement le bestiaire des data sciences de l’introduction, qui sans inexactitude ou vulgarisation excessive présente le sujet en faisant l’économie de mathématiques ou de formalismes dissuasifs.

Les programmes R décrits dans le livre sont accessibles en téléchargement sur le site www.editions-eni.fr et peuvent être exécutés pas à pas.

Les chapitres du livre :
Introduction – Premiers pas avec R – Maîtriser les bases – Techniques et algorithmes incontournables – Cadre méthodologique du data scientist – Traitement du langage naturel – Graphes et réseaux – Autres problèmes, autres solutions – Feature Engineering – Compléments utiles – Annexes