| Titre : |
La data science pour modéliser les systèmes complexes : optimiser la prédiction, l'estimation et l'interprétation |
| Type de document : |
texte imprimé |
| Auteurs : |
Chautard, Alain, Auteur |
| Editeur : |
Paris ; Malakoff : Dunod |
| Année de publication : |
2022 |
| Collection : |
Technique et ingénierie |
| Importance : |
IX-210 p. |
| Présentation : |
ill. |
| Format : |
24 cm. |
| ISBN/ISSN/EAN : |
978-2-10-084759-4 |
| Note générale : |
Bibliogr. p. 203-207.-Index |
| Langues : |
Français (fre) |
| Mots-clés : |
Systèmes complexes
Simulation par ordinateur
Gestion de projets |
| Index. décimale : |
004.62 Traitement de l'information (Data science) |
| Résumé : |
La data science est devenue un outil de prévision et d'aide à la décision
indispensable aux ingénieurs, aux chercheurs et aux responsables en charge de la gestion des projets et des processus. Toutefois, son application à des systèmes complexes exige de dépasser les méthodes linéaires de modélisation généralement appliquées. En effet, si ces méthodes fonctionnent dans la plupart des
environnements, elles présentent d'importants biais dès lors que l'on a affaire à des systèmes complexes (météorologie, physique non linéaire, économétrie, finance, etc.). En s'appuyant sur trois cas concrets représentatifs (environnement physique, marchés financiers, gestion de projet), cet ouvrage illustre comment exploiter les données de systèmes complexes pour construire des modèles maîtrisables, exploitables et performants en termes de prédiction, d'estimation et d'interprétation. Il offre une réflexion globale sur les spécificités des systèmes complexes ainsi que des outils concrets pour mieux les interpréter. Points forts : un ouvrage s'attachant aux systèmes complexes et non linéaires, plus difficiles à modéliser. Des méthodes de modélisation permettant une réduction des coûts et une augmentation de la robustesse des résultat : une approche transverse de la data science (physique, ingénierie, économie, sciences sociales...). Contenu de l'ouvrage : complexité et système complexe. Méthode d'approche systémique. Modélisation d'environnement physique. Modèle comportemental des marchés financiers. Modèle statistique de la réponse à appel d'offres et de la gestion de projets. |
| Note de contenu : |
Au sommaire:
I.Data science : histoire et méthodes
1. La data science
2.Complexité et système complexe
3.Méthode d'approche systémique
4.Modéliser un système
5.Introduction aux cas d'études décrits
II. Cas d'études
6.Modélisation d'environnement physique : système radar
7.Modèle comportemental des marchés financiers
8.Pilotage du projet : généralités
9.Modèle statistique de la réponse à appel d'offres
10.Modèle financier de structuration de projet
11.Modèle de planification de projet
12.Modèle d'avancement de projet |
La data science pour modéliser les systèmes complexes : optimiser la prédiction, l'estimation et l'interprétation [texte imprimé] / Chautard, Alain, Auteur . - Paris ; Malakoff : Dunod, 2022 . - IX-210 p. : ill. ; 24 cm.. - ( Technique et ingénierie) . ISBN : 978-2-10-084759-4 Bibliogr. p. 203-207.-Index Langues : Français ( fre)
| Mots-clés : |
Systèmes complexes
Simulation par ordinateur
Gestion de projets |
| Index. décimale : |
004.62 Traitement de l'information (Data science) |
| Résumé : |
La data science est devenue un outil de prévision et d'aide à la décision
indispensable aux ingénieurs, aux chercheurs et aux responsables en charge de la gestion des projets et des processus. Toutefois, son application à des systèmes complexes exige de dépasser les méthodes linéaires de modélisation généralement appliquées. En effet, si ces méthodes fonctionnent dans la plupart des
environnements, elles présentent d'importants biais dès lors que l'on a affaire à des systèmes complexes (météorologie, physique non linéaire, économétrie, finance, etc.). En s'appuyant sur trois cas concrets représentatifs (environnement physique, marchés financiers, gestion de projet), cet ouvrage illustre comment exploiter les données de systèmes complexes pour construire des modèles maîtrisables, exploitables et performants en termes de prédiction, d'estimation et d'interprétation. Il offre une réflexion globale sur les spécificités des systèmes complexes ainsi que des outils concrets pour mieux les interpréter. Points forts : un ouvrage s'attachant aux systèmes complexes et non linéaires, plus difficiles à modéliser. Des méthodes de modélisation permettant une réduction des coûts et une augmentation de la robustesse des résultat : une approche transverse de la data science (physique, ingénierie, économie, sciences sociales...). Contenu de l'ouvrage : complexité et système complexe. Méthode d'approche systémique. Modélisation d'environnement physique. Modèle comportemental des marchés financiers. Modèle statistique de la réponse à appel d'offres et de la gestion de projets. |
| Note de contenu : |
Au sommaire:
I.Data science : histoire et méthodes
1. La data science
2.Complexité et système complexe
3.Méthode d'approche systémique
4.Modéliser un système
5.Introduction aux cas d'études décrits
II. Cas d'études
6.Modélisation d'environnement physique : système radar
7.Modèle comportemental des marchés financiers
8.Pilotage du projet : généralités
9.Modèle statistique de la réponse à appel d'offres
10.Modèle financier de structuration de projet
11.Modèle de planification de projet
12.Modèle d'avancement de projet |
|  |
Ajouter le résultat dans votre panier Faire une suggestion Affiner la recherche
