|
|
|
|
| LEADER |
03802clm a2200505 4500 |
| 001 |
PPN258196378 |
| 003 |
http://www.sudoc.fr/258196378 |
| 005 |
20240607141500.0 |
| 010 |
|
|
|a 978-2-409-03252-3
|
| 035 |
|
|
|a (OCoLC)1282637675
|
| 035 |
|
|
|a ENILNEIMLPYTSL
|
| 100 |
|
|
|a 20211028f2021 k y0frey0103 ba
|
| 101 |
|
|
|a fre
|2 639-2
|
| 102 |
|
|
|a FR
|
| 105 |
|
|
|a a z 001yy
|
| 106 |
|
|
|a s
|
| 135 |
|
|
|a dr|||||||||||
|
| 181 |
|
|
|6 z01
|c txt
|2 rdacontent
|
| 181 |
|
1 |
|6 z01
|a i#
|b xxxe##
|
| 182 |
|
|
|6 z01
|c c
|2 rdamedia
|
| 182 |
|
1 |
|6 z01
|a b
|
| 183 |
|
|
|6 z01
|a ceb
|2 RDAfrCarrier
|
| 200 |
1 |
|
|a Machine Learning
|f Virginie Mathivet
|
| 214 |
|
0 |
|a St-Herblain
|c Editions ENI
|d 2021
|
| 225 |
1 |
|
|a Expert IT
|
| 230 |
|
|
|a Type de ressource électronique : données textuelles et illustrations sur pages HTML
|
| 300 |
|
|
|a Date de mise en ligne : 07 octobre 2021
|
| 303 |
|
|
|a Description d'après la consultation, 2022-05-09
|
| 307 |
|
|
|a La pagination de l'édition imprimée correspondante est : 325 p.
|
| 330 |
|
|
|a Ce livre présente à des personnes non Data Scientists, et sans connaissances particulières en mathématiques, la méthodologie du Machine Learning, ses concepts, ses principaux algorithmes et l'implémentation de ceux-ci en Python avec Scikit-learn. Il commence par une présentation du Machine Learning puis de la méthode CRISP où chaque phase est détaillée avec ses différentes étapes. Les premiers chapitres s intéressent donc aux phases de Data Understanding (ou compréhension des données) et de Data Preparation (préparation des données). Dans le premier sont présentés des analyses statistiques de datasets, que cela soit sous forme numérique ou graphique. Dans le deuxième sont vues les principales techniques utilisées pour la préparation des données, avec leur rôle et des conseils sur leur utilisation. Ensuite, plusieurs chapitres sont dédiés chacun à une tâche de Machine Learning : la classification, la régression, avec le cas particulier de la prédiction, ainsi que le clustering et plus globalement l apprentissage non supervisé. Pour chaque tâche qui est présentée sont successivement détaillés les critères d évaluation, les concepts derrière les principaux algorithmes puis leur implémentation avec Scikit-learn. Pour illustrer les différents chapitres, les techniques et algorithmes présentés sont appliqués sur des datasets souvent utilisés : Iris (classification de fleurs), Boston (prévision de prix de vente d appartements) et Titanic (prévision de la chance de survie des passagers du bateau). Le code Python est commenté et disponible en téléchargement (sous la forme de notebooks Jupyter) sur le site www.editions-eni.fr
|
| 371 |
0 |
|
|a Accès en ligne réservé aux établissements ou bibliothèques ayant souscrit l abonnement
|
| 410 |
|
| |
|0 188611355
|t Expert IT (En ligne)
|x 2431-3106
|
| 452 |
|
| |
|0 258356081
|t Machine learning
|o implémentation en Python avec Scikit-learn
|f [Virginie Mathivet]
|d 2021
|c St Herblain
|n Éditions ENI
|p 1 vol. (325 p.)
|s Expert IT
|y 978-2-409-03251-6
|
| 606 |
|
|
|3 PPN027940373
|a Apprentissage automatique
|2 rameau
|
| 606 |
|
|
|3 PPN051626225
|a Python (langage de programmation)
|2 rameau
|
| 606 |
|
|
|3 PPN167193686
|a Données massives
|2 rameau
|
| 606 |
|
|
|3 PPN035198222
|a Exploration de données
|2 rameau
|
| 700 |
|
1 |
|3 PPN127241310
|a Mathivet
|b Virginie
|4 070
|
| 801 |
|
3 |
|a FR
|b Abes
|c 20230515
|g AFNOR
|
| 801 |
|
1 |
|a FR
|b ENI
|c 20211028
|g AFNOR
|
| 856 |
4 |
|
|5 441099901:823128172
|u https://www.eni-training.com/cs/univ-nantes/?library_guid=c5f67838-7f20-4e36-a4b3-f4800a9dd9d2
|
| 915 |
|
|
|5 441099901:823128172
|b ENI19-240275
|
| 930 |
|
|
|5 441099901:823128172
|b 441099901
|j g
|
| 991 |
|
|
|5 441099901:823128172
|a Exemplaire créé en masse par ITEM le 04-06-2024 10:39
|
| 998 |
|
|
|a 968089
|
Nantilus
