| Titre : | R pour les data sciences : importer, classer, transformer, visualiser et modéliser les données | | Type de document : | texte imprimé | | Auteurs : | Hadley Wickham, Auteur ; Garrett Grolemund, Auteur ; Raphaël Payen, Traducteur | | Editeur : | Paris : Eyrolles | | Année de publication : | 2016 | | Importance : | XV,478 p. | | Présentation : | ill. | | Format : | 23 cm | | ISBN/ISSN/EAN : | 978-2-212-67571-9 | | Note générale : | Index | | Langues : | Français (fre) | | Mots-clés : | R (logiciel)
Exploration de données
Data visualisation
Données massives | | Index. décimale : | 004.62 Traitement de l'information (Data science) | | Résumé : |
L'objectif de ce livre est de vous aider à maîtriser les outils essentiels qui vous permettront d'utiliser R dans la pratique des data sciences. Après l'avoir lu, vous pourrez faire face à la plupart des situations que vous rencontrerez dans vos projets, en exploitant au mieux les fonctionnalités de R. Mais avant de devenir un expert en R, vous devrez tout d'abord importer vos données, c'est-à-dire les lire, en général depuis un fichier, une base de données ou une API web. et les charger dans un cadre de données dans R. Si vous ne pouvez pas transférer vos données dans R, vous ne pourrez pas les analyser ! Une fois vos données importées, vous gagnerez beaucoup à les ranger. Une fois vos données rangées, vous passerez bien souvent par une étape de transformation. Une fois vos données rangées avec les variables dont vous avez besoin, la génération de connaissances reposera principalement sur deux moteurs : la visualisation et la modélisation. Leurs forces et faiblesses sont complémentaires, et toute bonne analyse doit tenir compte des deux. Inutile d'être un programmeur expert pour être un bon analyste de données, mais apprendre à programmer plus efficacement vous permettra d'automatiser des tâches courantes et de résoudre plus facilement de nouveaux problèmes. | | Note de contenu : | Au sommaire :
I. Exploitation.
1. Visualisation de données avec ggplot2.
2. Méthodes de travail : bases.
3. Transformation de données avec dplyr.
...
II. Démêlage.
7. Les tibbles.
8. Importation de données avec readr.
9. Rangement de données avec tidyr.
...
III. Programmation.
14. Canaux avec magrittr.
15. Fonctions.
16. Vecteurs.
IV. Modélisation.
18. Modèles simples avec modelr.
19. Construction de modèle.
20. Plusieurs modèles avec purrr et broom.
V. Communication.
21. R Markdown.
22. Production de graphes pour diffusion avec ggplot2.
23. Formats de R Markdown.
... |
R pour les data sciences : importer, classer, transformer, visualiser et modéliser les données [texte imprimé] / Hadley Wickham, Auteur ; Garrett Grolemund, Auteur ; Raphaël Payen, Traducteur . - Paris : Eyrolles, 2016 . - XV,478 p. : ill. ; 23 cm. ISBN : 978-2-212-67571-9 Index Langues : Français ( fre) | Mots-clés : | R (logiciel)
Exploration de données
Data visualisation
Données massives | | Index. décimale : | 004.62 Traitement de l'information (Data science) | | Résumé : |
L'objectif de ce livre est de vous aider à maîtriser les outils essentiels qui vous permettront d'utiliser R dans la pratique des data sciences. Après l'avoir lu, vous pourrez faire face à la plupart des situations que vous rencontrerez dans vos projets, en exploitant au mieux les fonctionnalités de R. Mais avant de devenir un expert en R, vous devrez tout d'abord importer vos données, c'est-à-dire les lire, en général depuis un fichier, une base de données ou une API web. et les charger dans un cadre de données dans R. Si vous ne pouvez pas transférer vos données dans R, vous ne pourrez pas les analyser ! Une fois vos données importées, vous gagnerez beaucoup à les ranger. Une fois vos données rangées, vous passerez bien souvent par une étape de transformation. Une fois vos données rangées avec les variables dont vous avez besoin, la génération de connaissances reposera principalement sur deux moteurs : la visualisation et la modélisation. Leurs forces et faiblesses sont complémentaires, et toute bonne analyse doit tenir compte des deux. Inutile d'être un programmeur expert pour être un bon analyste de données, mais apprendre à programmer plus efficacement vous permettra d'automatiser des tâches courantes et de résoudre plus facilement de nouveaux problèmes. | | Note de contenu : | Au sommaire :
I. Exploitation.
1. Visualisation de données avec ggplot2.
2. Méthodes de travail : bases.
3. Transformation de données avec dplyr.
...
II. Démêlage.
7. Les tibbles.
8. Importation de données avec readr.
9. Rangement de données avec tidyr.
...
III. Programmation.
14. Canaux avec magrittr.
15. Fonctions.
16. Vecteurs.
IV. Modélisation.
18. Modèles simples avec modelr.
19. Construction de modèle.
20. Plusieurs modèles avec purrr et broom.
V. Communication.
21. R Markdown.
22. Production de graphes pour diffusion avec ggplot2.
23. Formats de R Markdown.
... |
|  |
Faire une suggestion Affiner la rechercheR pour les data sciences / Hadley Wickham
