Les Inscriptions à la Bibliothèque sont ouvertes en
ligne via le site: https://biblio.enp.edu.dz
Les Réinscriptions se font à :
• La Bibliothèque Annexe pour les étudiants en
2ème Année CPST
• La Bibliothèque Centrale pour les étudiants en Spécialités
A partir de cette page vous pouvez :
| Retourner au premier écran avec les recherches... |
Détail de l'auteur
Auteur Tom Fawcett
Documents disponibles écrits par cet auteur
Faire une suggestion Affiner la rechercheData science pour l'entreprise / Foster Provost
Titre : Data science pour l'entreprise Type de document : texte imprimé Auteurs : Foster Provost, Auteur ; Tom Fawcett, Auteur ; Myriam Rakho, Traducteur Editeur : Paris : Eyrolles Année de publication : 2018 Importance : X,371 p. Présentation : ill. Format : 23 cm ISBN/ISSN/EAN : 978-2-212-67570-2 Note générale : Trad. de : Data science for business. - La couv. porte en plus : Principes fondamentaux pour développer son activité. - Bibliogr. p. [349]-356. - Notes bibliogr. en bas de pages. - Index. - Glossaire Langues : Français (fre) Langues originales : Anglais (eng) Mots-clés : Exploration de données
Données massives
Sciences de l'information
Gestion -- Informatique
Data mining
Big data
Information science
Business -- Data processingIndex. décimale : 004.62:658 Traitement de l'information (Data science) : Organisation des entreprises Résumé :
Cet ouvrage traite de façon détaillée mais non technique les principes fondamentaux de la data science. Tout au long d'un processus de "raisonnement orienté données", il vous guidera pour acquérir des connaissances utiles et extraire une valeur économique des données que vous collectez. L'apprentissage de la data science vous permettra de comprendre les nombreuses techniques de data mining utilisées aujourd'hui. Ces principes sous-tendent tous les processus et stratégies de data mining qui servent à résoudre des problèmes d'entreprise.Note de contenu : Au sommaire :
1. Le raisonnement orienté données.
2. Problèmes d'entreprises et solutions de data science.
3. Introduction à la modélisation prédictive : des corrélations à la segmentation supervisée.
4. Ajuster un modèle aux données.
5. Le surajustement et comment l'éviter.
6. Similarité, voisins et clusters.
7. L'analyse décisionnelle I : qu'est-ce qu'un bon modèle ?
8. Visualiser les performances d'un modèle.
9. Preuves et probabilités.
10. Représentation et exploration de textes.
11. L'analyse décisionnelle II : vers l'ingénierie analytique.
12. Autres problèmes et techniques de data science.
13. Data science et stratégie commerciale.Data science pour l'entreprise [texte imprimé] / Foster Provost, Auteur ; Tom Fawcett, Auteur ; Myriam Rakho, Traducteur . - Paris : Eyrolles, 2018 . - X,371 p. : ill. ; 23 cm.
ISBN : 978-2-212-67570-2
Trad. de : Data science for business. - La couv. porte en plus : Principes fondamentaux pour développer son activité. - Bibliogr. p. [349]-356. - Notes bibliogr. en bas de pages. - Index. - Glossaire
Langues : Français (fre) Langues originales : Anglais (eng)
Mots-clés : Exploration de données
Données massives
Sciences de l'information
Gestion -- Informatique
Data mining
Big data
Information science
Business -- Data processingIndex. décimale : 004.62:658 Traitement de l'information (Data science) : Organisation des entreprises Résumé :
Cet ouvrage traite de façon détaillée mais non technique les principes fondamentaux de la data science. Tout au long d'un processus de "raisonnement orienté données", il vous guidera pour acquérir des connaissances utiles et extraire une valeur économique des données que vous collectez. L'apprentissage de la data science vous permettra de comprendre les nombreuses techniques de data mining utilisées aujourd'hui. Ces principes sous-tendent tous les processus et stratégies de data mining qui servent à résoudre des problèmes d'entreprise.Note de contenu : Au sommaire :
1. Le raisonnement orienté données.
2. Problèmes d'entreprises et solutions de data science.
3. Introduction à la modélisation prédictive : des corrélations à la segmentation supervisée.
4. Ajuster un modèle aux données.
5. Le surajustement et comment l'éviter.
6. Similarité, voisins et clusters.
7. L'analyse décisionnelle I : qu'est-ce qu'un bon modèle ?
8. Visualiser les performances d'un modèle.
9. Preuves et probabilités.
10. Représentation et exploration de textes.
11. L'analyse décisionnelle II : vers l'ingénierie analytique.
12. Autres problèmes et techniques de data science.
13. Data science et stratégie commerciale.Exemplaires
Code-barres Cote Support Localisation Section Disponibilité Etat_Exemplaire 057941 004.62:658 PRO Papier Bibliothèque Centrale Informatique Disponible Consultation sur place 057940 004.62:658 PRO Papier Bibliothèque Centrale Informatique Disponible En bon état
