|
|
|
|
| LEADER |
03174nam a22003257a 4500 |
| 001 |
415312 |
| 008 |
210318t20212021xxe ||| |||| 00| 0 fre d |
| 020 |
|
|
|a 9782100812240 (br.)
|
| 024 |
|
|
|a 9782100812240
|
| 041 |
0 |
|
|a fre
|f fre
|
| 082 |
|
|
|a 005.133
|
| 100 |
1 |
|
|a Jakobowicz, Emmanuel,
|d 1980-
|
| 245 |
1 |
0 |
|a Python pour le data scientist :
|b des bases du langage au machine learning
|c Emmanuel Jakobowicz,...
|
| 250 |
|
|
|a 2e édition.
|
| 260 |
|
|
|a Malakoff :
|b Dunod,
|c DL 2021.
|
| 300 |
|
|
|a 1 volume (XIII-312 p.) :
|b ill., fig., graph., couv. ill. en coul. ;
|c 25 cm.
|
| 490 |
0 |
|
|a InfoPro. Applications métiers
|
| 504 |
|
|
|a Bibliogr. et liste de sites internet p. [305]-307. Index
|
| 505 |
0 |
|
|a P. XI -- Avant-propos -- Première partie. Les fondamentaux du langage Python -- P. 17 -- 1. Python, ses origines et son environnement -- P. 45 -- 2. Python from scratch -- Deuxième partie. La préparation et la visualisation des données avec Python -- P. 81 -- 3. Python et les données (NumPy et Pandas) -- P. 107 -- 4. La préparation des données et les premières statistiques -- P. 165 -- 5. Data visualisation avec Python -- Troisième partie. Python, le machine learning et le big data -- P. 205 -- 6. Différentes utilisations du machine learning avec Python -- P. 279 -- 7. Python et le big data : tour d'horizon -- P. 297 -- Lexique de la data science -- P. 301 -- Mettre en place votre environnement -- P. 305 -- Bibliographie -- P. 309 -- Index
|
| 520 |
|
|
|a Guide d'utilisation du langage Python appliqué au travail sur les données et à l'automatisation de certaines tâches. Avec des exemples, des exercices et des compléments accessibles en ligne. ↑Electre 2023
|
| 520 |
|
|
|a "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 répond à de nombreuses questions sur Python : Comment utiliser Python en data science ? Comment coder en Python ? Comment préparer des données avec Python ? Comment créer des visualisations attractives avec Python ? Comment appliquer des modèles de machine learning et de deep learning avec Python ? Comment passer aux environnements big data ? Vous apprendrez à tirer parti des multiples outils Python tels que Anaconda, Jupyter, NumPy, Pandas, Matplotlib, Seaborn, Bokeh, Scikit-Learn, TensorFlow, PySpark... pour mettre en place vos traitements. Cette deuxième édition est complétée et enrichie par des mises à jour de code liées aux évolutions de Python et des packages de data science. Des données plus récentes sont aussi utilisées. Les + en ligne : l'ensemble du code compris dans cet ouvrage est disponible sous la forme de notebooks Jupyter dans le repository public de l'auteur : github.com/emjako/pythondatascientist"
|
| 650 |
|
|
|a Python (langage de programmation)
|
| 650 |
|
|
|a Apprentissage automatique
|
| 650 |
|
|
|a Exploration de données
|
| 650 |
|
|
|a Données massives
|
| 922 |
|
|
|a maths
|
| 993 |
|
|
|a Livre
|
| 994 |
|
|
|a PS
|
| 995 |
|
|
|a 254229212
|
| 997 |
|
|
|0 415312
|