Nantilus
R pour les data sciences : importer, classer, transformer, visualiser et modéliser les données
La 4e de couv. indique : "R : le langage de référence pour le big data. Les data sciences constituent une discipline fascinante, qui vous servira à transformer des données brutes en idées et connaissances aisément compréhensibles. L'objectif de ce livre est de vous aider à maîtriser les ou...
Enregistré dans:
| Auteurs principaux : | , |
|---|---|
| Autres auteurs : | |
| Format : | Livre |
| Langue : | français |
| Titre complet : | R pour les data sciences : importer, classer, transformer, visualiser et modéliser les données / Hadley Wickham, Garrett Grolemund; [traduction française : Raphaël Payen] |
| Publié : |
Paris :
Eyrolles
, DL 2018 |
| Description matérielle : | 1 vol. (XV-478 p.) |
| Collection : | Blanche Eyrolles éd. |
| Traduction de : | R for data science |
| Sujets : | |
| Documents associés : | Autre format:
R pour les data sciences |
| Résumé : | La 4e de couv. indique : "R : le langage de référence pour le big data. Les data sciences constituent une discipline fascinante, qui vous servira à transformer des données brutes en idées et connaissances aisément compréhensibles. L'objectif de ce livre est de vous aider à maîtriser les outils essentiels qui vous permettront d'utiliser R dans la pratique des data sciences. Après l'avoir lu, vous pourrez faire face à la plupart des situations que vous rencontrerez dans vos projets, en exploitant au mieux les fonctionnalités de R. Mais avant de devenir un expert en R, vous devrez tout d'abord importer vos données, c'est-à-dire les lire, en général depuis un fichier, une base de données ou une API web. et les charger dans un cadre de données dans R. Si vous ne pouvez pas transférer vos données dans R, vous ne pourrez pas les analyser ! Une fois vos données importées, vous gagnerez beaucoup à les ranger. Une fois vos données rangées, vous passerez bien souvent par une étape de transformation. Une fois vos données rangées avec les variables dont vous avez besoin, la génération de connaissances reposera principalement sur deux moteurs : la visualisation et la modélisation. Leurs forces et faiblesses sont complémentaires, et toute bonne analyse doit tenir compte des deux. Inutile d'être un programmeur expert pour être un bon analyste de données, mais apprendre à programmer plus efficacement vous permettra d'automatiser des tâches courantes et de résoudre plus facilement de nouveaux problèmes." |
|---|---|
| Bibliographie : | Index |
| ISBN : | 978-2-212-67571-9 |