Nantilus
Python pour le data scientist : des bases du langage au machine learning
La 4e de couv. indique : "Si vous vous intéressez au traitement des données avec le langage Python cet ouvrage s'adresse à vous. Que vous soyez débutant en Python ou que vous ayez une expérience significative, il vous apportera les clés pour utiliser ce langage en data science. Ce livre ré...
| Auteur principal : | |
|---|---|
| Format : | Livre |
| Langue : | français |
| Titre complet : | Python pour le data scientist : des bases du langage au machine learning / Emmanuel Jakobowicz |
| Publié : |
Malakoff :
Dunod
, DL 2018 |
| Description matérielle : | 1 vol. (XI-304 p.) |
| Collection : | InfoPro. Applications métiers |
| Sujets : | |
| Documents associés : | Autre format:
Python pour le data scientist |
- P. IX
- Avant-propos
- Première partie
- Les fondamentaux du langage Python
- P. 15
- 1 Python, ses origines et son environnement
- P. 15
- 1.1 Histoire, origines et évolution : de la naissance à la version 3.7
- P. 18
- 1.2 Python vs R vs le reste du monde
- P. 23
- 1.3 Comment développer en Python ?
- P. 25
- 1.4 Les outils pour coder en Python
- P. 40
- 1.5 Les packages pour la data science
- P. 43
- 2 Python from scratch
- P. 43
- 2.1 Principes de base
- P. 45
- 2.2 Les interpréteurs : Python et IPython
- P. 50
- 2.3 La base pour commencer à coder
- P. 54
- 2.4 Les structures (tuples, listes, dictionnaires)
- P. 59
- 2.5 La programmation (conditions, boucles...)
- P. 63
- 2.6 Les fonctions
- P. 67
- 2.7 Les classes et les objets
- P. 69
- 2.8 Les packages et les modules
- P. 72
- 2.9 Aller plus loin
- Deuxième partie
- La préparation et la visualisation des données avec Python
- P. 79
- 3 Python et les données (NumPy et Pandas)
- P. 79
- 3.1 La donnée à l'ère de la data science
- P. 81
- 3.2 Les arrays de NumPy
- P. 95
- 3.3 Les objets series et dataframe de Pandas
- P. 103
- 4 La préparation des données et les premières statistiques
- P. 103
- 4.1 Présentation des données
- P. 108
- 4.2 Les outils pour charger les données
- P. 121
- 4.3 Décrire et transformer des colonnes
- P. 147
- 4.4 Extraire des statistiques descriptives
- P. 151
- 4.5 Utilisation du groupby pour décrire des données
- P. 154
- 4.6 Aller plus loin : accélération
- P. 159
- 5 Data visualisation avec Python
- P. 159
- 5.1 Construction de graphiques avec Matplotlib
- P. 178
- 5.2 Seaborn pour des représentations plus élaborées
- P. 184
- 5.3 Quelques bases de cartographie
- P. 190
- 5.4 Les graphiques interactifs avec d'autres packages et outils
- Troisième partie
- Python, le machine learning et le big data
- P. 199
- 6 Différentes utilisations du machine learning avec Python
- P. 199
- 6.1 Le machine learning, qu'est-ce que c'est ?
- P. 202
- 6.2 Comment faire du machine learning avec Python
- P. 205
- 6.3 Le processus de traitement en machine learning
- P. 211
- 6.4 L'apprentissage supervisé avec Scikit-Learn
- P. 238
- 6.5 L'apprentissage non supervisé
- P. 249
- 6.6 L'analyse textuelle avec Python
- P. 258
- 6.7 Le deep learning avec Keras
- P. 271
- 7 Python et le big data : tour d'horizon
- P. 271
- 7.1 Est-ce qu'on change tout quand on parle de big data ?
- P. 272
- 7.2 Comment traiter de la donnée massive avec Python
- P. 273
- 7.3 Récupérer des données avec Python
- P. 276
- 7.4 Utilisation d'Apache Spark avec pyspark en Python
- P. 289
- Lexique de la data science
- P. 293
- Mettre en place votre environnement
- P. 297
- Bibliographie
- P. 301
- Index