Download or read book Apprentissage statistique et donn es massives written by Myriam Maumy-Bertrand and published by . This book was released on 2018-05 with total page 511 pages. Available in PDF, EPUB and Kindle. Book excerpt:

Download or read book Data Science fondamentaux et tudes de cas written by Michel Lutz and published by Editions Eyrolles. This book was released on 2015-10-15 with total page 311 pages. Available in PDF, EPUB and Kindle. Book excerpt: Nous vivons une époque très excitante, qui ramène l'analyse de données et les méthodes quantitatives au coeur de la société. L'aboutissement de nombreux projets de recherche, la puissance de calcul informatique disponible et des données à profusion permettent aujourd'hui d'incroyables réalisations, grâce au travail des data scientists. Un livre de référence pour les data scientists La data science est l'art de traduire des problèmes industriels, sociaux, scientifiques, ou de toute autre nature, en problèmes de modélisation quantitative, pouvant être résolus par des algorithmes de traitement de données. Cela passe par une réflexion structurée, devant faire en sorte que se rencontrent problèmes humains, outils techniques/informatiques et méthodes statistiques/algorithmiques. Chaque projet de data science est une petite aventure, qui nécessite de partir d'un problème opérationnel souvent flou, à une réponse formelle et précise, qui aura des conséquences réelles sur le quotidien d'un nombre plus ou moins important de personnes. Éric Biernat et Michel Lutz proposent de vous guider dans cette aventure. Ils vous feront visiter les vastes espaces de la data science moderne, de plus en plus présente dans notre société et qui fait tant parler d'elle, parfois par l'intermédiaire d'un sujet qui lui est corollaire, les big data. Des études de cas pour devenir kaggle master Loin des grands discours abstraits, les auteurs vous feront découvrir, claviers à la main, les pratiques de leur métier de data scientist chez OCTO Technology, l'un des leaders français du domaine. Et vous mettrez également la main à la pâte : avec juste ce qu'il faut de théorie pour comprendre ce qu'impliquent les méthodes mathématiques utilisées, mais surtout avec votre ordinateur personnel, quelques logiciels gratuits et puissants, ainsi qu'un peu de réflexion, vous allez participer activement à cette passionnante exploration ! À qui s'adresse cet ouvrage ? Aux développeurs, statisticiens, étudiants et chefs de projets ayant à résoudre des problèmes de data science. Aux data scientists, mais aussi à toute personne curieuse d'avoir une vue d'ensemble de l'état de l'art du machine learning.

Download or read book Mod lisation pr dictive et apprentissage statistique avec R written by TUFFERY Stéphane and published by Editions TECHNIP. This book was released on 2015-01-02 with total page 434 pages. Available in PDF, EPUB and Kindle. Book excerpt: Issu de formations devant des publics variés, cet ouvrage présente les principales méthodes de modélisation de statistique et de machine learning, à travers le fil conducteur d’une étude de cas. Chaque méthode fait l’objet d’un rappel de cours et est accompagnée de références bibliographiques, puis est mise en oeuvre avec des explications détaillées sur les calculs effectués, les interprétations des résultats et jusqu’aux astuces de programmation permettant d’optimiser les temps de calcul. À ce sujet, une annexe est consacrée au traitement des données massives. L’ouvrage commence par les méthodes de classement classiques les plus éprouvées, mais aborde rapidement les méthodes plus récentes et avancées : régression ridge, lasso, elastic net, boosting, forêts aléatoires, Extra-Trees, réseaux de neurones, séparateurs à vaste marge. Chaque fois, le lien est fait entre la théorie et les résultats obtenus pour montrer qu’ils illustrent bien les principes sous-jacents à ces méthodes. Mais l’aspect pratique est aussi privilégié, avec l’objectif de permettre au lecteur une mise en oeuvre rapide et efficace dans son travail concret. L’exploration et la préparation préliminaire des données sont d’ailleurs décrites, ainsi que le processus de sélection des variables. Une synthèse finale est faite de toutes les méthodes présentées. La mise en oeuvre s’appuie sur le logiciel libre R et sur un jeu public de données. Ce dernier peut être téléchargé sur internet et présente l’intérêt d’être riche, complet et de permettre des comparaisons grâce aux nombreuses publications dans lesquelles il a servi. Le logiciel statistique utilisé est R, actuellement celui qui se développe le plus : devenu la lingua franca de la statistique et l’outil le plus répandu dans le monde académique, il prend également de plus en plus de place dans le monde de l’entreprise, à tel point que tous les logiciels commerciaux proposent désormais une interface avec R. Outre qu’il est disponible pour tous, dans de multiples environnements, il est aussi le plus riche statistiquement et c’est le seul logiciel permettant de mettre en oeuvre toutes les méthodes présentées dans cet ouvrage. Enfin, son langage de programmation particulièrement élégant et adapté au calcul athématique permet de se concentrer dans le codage sur les aspects statistiques. R permet d’arriver directement à l’essentiel et de mieux comprendre les méthodes exposées dans l’ouvrage. Le Code R utilisé dans l’ouvrage est disponible sur cette page dans la partie "Bonus/lire". Table des matières : Présentation du jeu de données. Préparation des données. Exploration des données. Discrétisation automatique supervisée des variables continues. La régression logistique. La régression logistique pénalisée ridge. La régression logistique pénalisée lasso. La régression logistique PLS. L’arbre de décision CART. L’algorithme PRIM. Les forêts aléatoires. Le bagging. Les forêts aléatoires de modèles logistiques. Le boosting. Les Support Vector Machines. Les réseaux de neurones. Synthèse des méthodes prédictives. Annexes. Bibliographie. Index des packages R utilisés.

Download or read book Data Science par la pratique written by Joel Grus and published by Editions Eyrolles. This book was released on 2017-05-25 with total page 319 pages. Available in PDF, EPUB and Kindle. Book excerpt: Un ouvrage de référence pour les (futurs) data scientists Les bibliothèques, les frameworks, les modules et les boîtes à outils sont parfaits pour faire de la data science. Ils sont aussi un bon moyen de plonger dans la discipline sans comprendre la data science. Dans cet ouvrage, vous apprendrez comment fonctionnent les outils et algorithmes les plus fondamentaux de la data science, en les réalisant à partir de zéro. Si vous êtes fort en maths et que vous connaissez la programmation, l'auteur, Joël Grus, vous aidera à vous familiariser avec les maths et les statistiques qui sont au coeur de la data science et à acquérir les compétences informatiques indispensables pour démarrer comme data scientist. La profusion des données d'aujourd'hui contient les réponses aux questions que personne n'a encore pensé à poser. Ce livre vous enseigne comment obtenir ces réponses. Suivez un cours accéléré de Python Apprenez les fondamentaux de l'algèbre linéaire, des statistiques et des probabilités, et comprenez comment et quand les utiliser en data science Collectez, explorez, nettoyez, bricolez et manipulez les données Plongez dans les bases de l'apprentissage automatique Implémentez des modèles comme les k plus proches voisins, le Bayes naïf, les régressions linéaire ou logistique, les arbres de décision, les réseaux neuronaux et le clustering Explorez les systèmes de recommandation, le traitement du langage naturel, l'analyse de réseau, MapReduce et les bases de données À qui s'adresse cet ouvrage ? Aux développeurs, statisticiens, étudiants et chefs de projet ayant à résoudre des problèmes de data science. Aux data scientists, mais aussi à toute personne curieuse d'avoir une vue d'ensemble de l'état de l'art de ce métier du futur.

Download or read book Les data sciences en 100 questions r ponses written by Younes Benzaki and published by Editions Eyrolles. This book was released on 2020-10-01 with total page 125 pages. Available in PDF, EPUB and Kindle. Book excerpt: Un livre à la fois théorique et pratique Cet ouvrage a pour ambition de couvrir un large spectre du domaine des data sciences. Il va plus loin qu'un simple tour sur les algorithmes d'apprentissage automatique et s'attaque aux autres aspects, malheureusement négligés mais fondamentaux pour tout data scientist : concepts généraux mais poussés, dont la maîtrise est indispensable ; algorithmes d'apprentissage automatique les plus connus ; aspects liés à l'exploration des données ; mesures de performances et d'autres métriques utilisées par les algorithmes ; différents concepts fondamentaux en mathématiques à connaître pour mieux explorer et comprendre les données ; notions importantes des big data ; études de cas pratiques en langage Python. La première partie de ce livre est théorique et adopte un format questions/réponses qui présente plusieurs avantages, dont la possibilité pour le lecteur de lire distinctement chacune des questions pour parfaire son savoir. Un autre point fort de cette structure est qu'elle incite à entrer dans un dialogue. Ainsi, grâce aux questions posées, le lecteur est poussé vers une réflexion où il confronte ses réponses à celles données par le livre. La deuxième partie est pratique et propose deux exemples d'implémentation de modèles d'apprentissage automatique. Vous y trouverez des codes écrits en Python et un aperçu de différentes difficultés que peut rencontrer un spécialiste lors de l'exercice de son métier. À qui s'adresse cet ouvrage ? Le présent ouvrage est adapté à toute personne ayant une certaine maîtrise de la data science et du Machine Learning. Il aidera notamment à se rappeler des concepts importants, mais suppose que le lecteur soit initié sur le sujet. Il sera particulièrement utile à ceux qui veulent se préparer pour un concours, un examen ou un entretien.

Download or read book Big Data et Machine Learning 2e d written by Pirmin Lemberger and published by Dunod. This book was released on 2016-10-05 with total page 267 pages. Available in PDF, EPUB and Kindle. Book excerpt: Le Big Data s’est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l’exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc. Ce livre est un guide pour comprendre les enjeux d’un projet Big Data, en appréhender les concepts sous-jacents (en particulier le machine learning) et acquérir les compétences nécessaires à la mise en place d’un data lab. Il combine la présentation de notions théoriques (traitement statistique des données, calcul distribué...), d’outils (écosystème Hadoop, Storm...) et d’exemples de machine learning ; Cette deuxième édition comporte des ajouts sur le deep learning et les réseaux de neurones, ainsi que des compléments et des mises à jour sur les moteurs de recommandations et Spark. Les compléments en ligne seront enrichis de nouveaux jeux de données pour un début de mise en pratique.

Download or read book Big Data et Machine Learning 3e d written by Pirmin Lemberger and published by Dunod. This book was released on 2019-08-14 with total page 272 pages. Available in PDF, EPUB and Kindle. Book excerpt: Cet ouvrage s’adresse à tous ceux qui cherchent à tirer parti de l’énorme potentiel des « technologies Big Data », qu’ils soient data scientists, DSI, chefs de projets ou spécialistes métier. Le Big Data s’est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l’exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc. Mais quelle solution technique choisir ? Quelles compétences métier développer au sein de la DSI ? Ce livre est un guide pour comprendre les enjeux d’un projet Big Data, en appréhender les concepts sous-jacents (en particulier le Machine Learning) et acquérir les compétences nécessaires à la mise en place d’un data lab. Il combine la présentation : • de notions théoriques (traitement statistique des données, calcul distribué...) ; • des outils les plus répandus (écosystème Hadoop, Storm...) ; • d’exemples d’applications ; • d’une organisation typique d’un projet de data science. Les ajouts de cette troisième édition concernent principalement la vision d’architecture d’entreprise, nécessaire pour intégrer les innovations du Big Data au sein des organisations, et le Deep Learning pour le NLP (Natural Language Processing, qui est l’un des domaines de l’intelligence artificielle qui a le plus progressé récemment).

Download or read book Statistical Inference and Machine Learning for Big Data written by Mayer Alvo and published by Springer Nature. This book was released on 2022-11-30 with total page 442 pages. Available in PDF, EPUB and Kindle. Book excerpt: This book presents a variety of advanced statistical methods at a level suitable for advanced undergraduate and graduate students as well as for others interested in familiarizing themselves with these important subjects. It proceeds to illustrate these methods in the context of real-life applications in a variety of areas such as genetics, medicine, and environmental problems. The book begins in Part I by outlining various data types and by indicating how these are normally represented graphically and subsequently analyzed. In Part II, the basic tools in probability and statistics are introduced with special reference to symbolic data analysis. The most useful and relevant results pertinent to this book are retained. In Part III, the focus is on the tools of machine learning whereas in Part IV the computational aspects of BIG DATA are presented. This book would serve as a handy desk reference for statistical methods at the undergraduate and graduate level as well as be useful in courses which aim to provide an overview of modern statistics and its applications.

Download or read book Apprentissage statistique written by Gérard Dreyfus and published by Editions Eyrolles. This book was released on 2011-07-07 with total page 450 pages. Available in PDF, EPUB and Kindle. Book excerpt: L'apprentissage statistique permet la mise au point de modèles de données et de processus lorsque la formalisation de règles explicites serait impossible : reconnaissance de formes ou de signaux, prévision, fouille de données, prise de décision en environnement complexe et évolutif. Ses applications sont multiples dans le monde de la production industrielle (aide à la conception de produits, maintenance préventive, développement de capteurs virtuels, robotique, planification d'expériences...), dans le domaine de la biologie et de la santé (aide à la découverte de médicaments, aide au diagnostic, bio-informatique...), en télécommunications, en marketing et finance, et dans bien d'autres domaines. Sans omettre de rappeler les fondements théoriques de l'apprentissage statistique, cet ouvrage offre de solides bases méthodologiques à tout ingénieur ou chercheur soucieux d'exploiter ses données. Il en présente les algorithmes les plus couramment utilisés - réseaux de neurones, cartes topologiques, machines à vecteurs supports, modèles de Markov cachés - à l'aide d'exemples et d'études de cas industriels, financiers ou bancaires. Cet ouvrage est la mise à jour du livre "Réseaux de neurones - Méthodologie et applications". À qui s'adresse ce livre ? Aux ingénieurs, chercheurs et décideurs ayant à résoudre des problèmes de modélisation, de reconnaissance, de prévision, de commande, etc. Aux étudiants et élèves ingénieurs des disciplines scientifiques et économiques, et à leurs enseignants. Sur le CD-Rom offert avec ce livre Cinq exemples de modèles avec données et codes source. Version d'évaluation (6 semaines) de Neuro One 6.10.7 pour Windows NT4, 2000, 2003 et XP : un outil dédié convivial pour la création de modèles de réseaux de neurones. Un compilateur C pour MS-Windows. Bibliothèque non linéaire MonaEx70.dll, niveau 0. Configuration minimale requise : PC avec processeur Pentium 2 (ou équivalent) - MS-Windows 98/NT, 2000 ou XP - Fréquence supérieure à 100 MHz - 25 Mo d'espace disque disponible - 64 Mo de RAM.

Download or read book Statistical Foundations of Data Science written by Jianqing Fan and published by CRC Press. This book was released on 2020-09-21 with total page 942 pages. Available in PDF, EPUB and Kindle. Book excerpt: Statistical Foundations of Data Science gives a thorough introduction to commonly used statistical models, contemporary statistical machine learning techniques and algorithms, along with their mathematical insights and statistical theories. It aims to serve as a graduate-level textbook and a research monograph on high-dimensional statistics, sparsity and covariance learning, machine learning, and statistical inference. It includes ample exercises that involve both theoretical studies as well as empirical applications. The book begins with an introduction to the stylized features of big data and their impacts on statistical analysis. It then introduces multiple linear regression and expands the techniques of model building via nonparametric regression and kernel tricks. It provides a comprehensive account on sparsity explorations and model selections for multiple regression, generalized linear models, quantile regression, robust regression, hazards regression, among others. High-dimensional inference is also thoroughly addressed and so is feature screening. The book also provides a comprehensive account on high-dimensional covariance estimation, learning latent factors and hidden structures, as well as their applications to statistical estimation, inference, prediction and machine learning problems. It also introduces thoroughly statistical machine learning theory and methods for classification, clustering, and prediction. These include CART, random forests, boosting, support vector machines, clustering algorithms, sparse PCA, and deep learning.

Download or read book Analyse de donn es massives Big Data pour la pr diction written by Djafri Laouni and published by GRIN Verlag. This book was released on 2022-11-21 with total page 219 pages. Available in PDF, EPUB and Kindle. Book excerpt: Thèse de Doctorat de l’année 2020 dans le domaine Informatique - Divers, Université Djillali Liabes, langue: Français, résumé: Depuis plusieurs années, nous assistons à une explosion de nouvelles sources de données diverses à granularité fine et à faible latence (dites « Big Data »). De nouvelles sources de données prometteuses, telles que le web social ou le web des données liées, sont apparues. Le «Big Data» consiste à traiter, en temps réel, de très gros volumes de données extrêmement variées et à les analyser. Toutes les entreprises sont concernées, surtout celles qui possèdent de vastes gisements d’informations et souhaitent les passer au crible pour améliorer leur connaissance client et optimiser leurs campagnes. Le Big Data constitue un axe majeur de transformation numérique de l’économie et un levier important de compétitivité des entreprises. Il permet de mieux comprendre les clients, fournisseurs et partenaires. En analysant ces informations fournies par leurs clients et utilisateurs, on espère valoriser les services proposés par les entreprises. Dans notre thème, on s’intéresse à l’analyse du Big Data pour prévoir les tendances et les comportements futures de l’être humain ou des objets avec un niveau de fiabilité acceptable, ainsi pour prendre toutes les dispositions nécessaires à l’avenir afin d’éviter les pertes, d’améliorer les services proposés et la prise de décision efficace dans le plus bref délai. L’objectif principal de ce thème porte sur les méthodes d’analyse utilisées pour les grandes collections de données en se basant sur les algorithmes du Machine Learning. L’analyse prédictive de données massives peut être utilisée pour anticiper les difficultés, pour améliorer le service client et pour proposer les services les plus pertinents.

Download or read book Data Mining et Statistique d cisionnelle written by Stéphane Tufféry and published by Editions Technip. This book was released on 2017-10 with total page 914 pages. Available in PDF, EPUB and Kindle. Book excerpt: Le data mining et la data science sont de plus en plus répandus dans les entreprises et les organisations soucieuses d'extraire l'information pertinente de leurs bases de données, qu'elles peuvent utiliser pour expliquer et prévoir les phénomènes qui les concernent (risques, production, consommation, fidélisation...). Cette cinquième édition, actualisée et augmentée de 90 pages, fait le point sur le data mining, ses méthodes, ses outils et ses applications, qui vont du scoring jusqu'au text mining, objet d'un chapitre complètement remanié. Nombre de ses outils appartiennent à l'analyse des données et à la statistique "classiques" (analyse factorielle, classification automatique, analyse discriminante, régression logistique, modèles linéaires généralisés, régression pénalisée, régression clusterwise...) mais certains sont plus spécifiques au data mining, comme les réseaux de neurones, les algorithmes génétiques, les SVM, les arbres de décision, les forêts aléatoires, le boosting et la détection des règles d'associations. Les avancées les plus récentes du machine learning et les applications les plus actuelles des Big Data sont présentées, qui vont des algorithmes de reconnaissance d'image aux méthodes de plongement de mots en text mining. Les chapitres sur les réseaux de neurones et les SVM sont illustrés par la reconnaissance de l'écriture manuscrite. Ces outils sont disponibles dans des logiciels de plus en plus puissants et complets, à commencer par le logiciel libre R, que nous comparons en détail aux logiciels SAS et IBM SPSS dans un chapitre spécifique. Ces logiciels sont utilisés pour illustrer par des exemples précis les explications théoriques données. Les aspects méthodologiques vont de la conduite des projets jusqu'aux facteurs de réussite et aux pièges à éviter, en passant par l'évaluation et la comparaison des modèles, leur intégration dans les processus opérationnels. Un chapitre est consacré à une étude de cas complète de credit scoring, de l'exploration des données jusqu'à l'élaboration de la grille de score.

Download or read book Deep Learning written by Stephane Tuffery and published by John Wiley & Sons. This book was released on 2022-11-22 with total page 548 pages. Available in PDF, EPUB and Kindle. Book excerpt: DEEP LEARNING A concise and practical exploration of key topics and applications in data science In Deep Learning: From Big Data to Artificial Intelligence with R, expert researcher Dr. Stéphane Tufféry delivers an insightful discussion of the applications of deep learning and big data that focuses on practical instructions on various software tools and deep learning methods relying on three major libraries: MXNet, PyTorch, and Keras-TensorFlow. In the book, numerous, up-to-date examples are combined with key topics relevant to modern data scientists, including processing optimization, neural network applications, natural language processing, and image recognition. This is a thoroughly revised and updated edition of a book originally released in French, with new examples and methods included throughout. Classroom-tested and intuitively organized, Deep Learning: From Big Data to Artificial Intelligence with R offers complimentary access to a companion website that provides R and Python source code for the examples offered in the book. Readers will also find: A thorough introduction to practical deep learning techniques with explanations and examples for various programming libraries Comprehensive explorations of a variety of applications for deep learning, including image recognition and natural language processing Discussions of the theory of deep learning, neural networks, and artificial intelligence linked to concrete techniques and strategies commonly used to solve real-world problems Perfect for graduate students studying data science, big data, deep learning, and artificial intelligence, Deep Learning: From Big Data to Artificial Intelligence with R will also earn a place in the libraries of data science researchers and practicing data scientists.

Download or read book Big Data et Machine Learning written by Pirmin Lemberger and published by . This book was released on 2015 with total page 219 pages. Available in PDF, EPUB and Kindle. Book excerpt: Cet ouvrage s’adresse à tous ceux qui réfléchissent à la meilleure utilisation possible des données au sein de l’entreprise, qu’ils soient data scientists, DSI, chefs de projets ou spécialistes métier. Le Big Data s’est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l’exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc. Mais quelle solution technique choisir ? Quelles compétences métier développer au sein de la DSI ? Ce livre est un guide pour comprendre les enjeux d’un projet Big Data, en appréhender les concepts sous-jacents (en particulier le machine learning) et acquérir les compétences nécessaires à la mise en place d’un data lab. Il combine la présentation : de notions théoriques (traitement statistique des données, calcul distribué...) ; d’outils (écosystème Hadoop, Storm...) ; d’exemples de machine learning ; d’une organisation typique d’un projet de data science. (4e de couv.)

Download or read book Statistical Learning and Data Science written by Mireille Gettler Summa and published by CRC Press. This book was released on 2011-12-19 with total page 242 pages. Available in PDF, EPUB and Kindle. Book excerpt: Data analysis is changing fast. Driven by a vast range of application domains and affordable tools, machine learning has become mainstream. Unsupervised data analysis, including cluster analysis, factor analysis, and low dimensionality mapping methods continually being updated, have reached new heights of achievement in the incredibly rich data wor

Download or read book Quelques Probl mes D apprentissage Statistique en Pr sence de Donn es Incompl tes written by Maximilien Baudry and published by . This book was released on 2020 with total page 0 pages. Available in PDF, EPUB and Kindle. Book excerpt: Most statistical methods are not designed to directly work with incomplete data. The study of data incompleteness is not new and strong methods have been established to handle it prior to a statistical analysis. On the other hand, deep learning literature mainly works with unstructured data such as images, text or raw audio, but very few has been done on tabular data. Hence, modern machine learning literature tackling data incompleteness on tabular data is scarce. This thesis focuses on the use of machine learning models applied to incomplete tabular data, in an insurance context. We propose through our contributions some ways to model complex phenomena in presence of incompleteness schemes, and show that our approaches outperform the state-of-the-art models.

Download or read book The Elements of Statistical Learning written by Trevor Hastie and published by Springer Science & Business Media. This book was released on 2001 with total page 560 pages. Available in PDF, EPUB and Kindle. Book excerpt: This book describes the important ideas in a common conceptual framework. While the approach is statistical, the emphasis is on concepts rather than mathematics. Many examples are given, with a liberal use of color graphics. It should be a valuable resource for statisticians and anyone interested in data mining in science or industry.