| Titre : | Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python |
| Auteurs : | David Makowski, Auteur ; François Brun, Auteur ; Elodie Doutart, Auteur ; Florent Duyme, Auteur ; Mohammed El Jabri, Auteur |
| Type de document : | texte imprimé |
| Editeur : | Paris : Ellipses, 2021 |
| Collection : | Formations & techniques |
| ISBN/ISSN/EAN : | 978-2-340-04577-4 |
| Format : | 256 p. / ill. / 24 cm |
| Note générale : | Bibliographie en fin de chapitres |
| Langues : | Français |
| Index. décimale : | 519.254 (Traitement des données. Algorithmes) |
| Tags : | Analyse des données Agriculture -- Prévision et estimation Technique de l'environnement Python (Langage de programmation) R (Langage de programmation) Récupération des données (Informatique) |
| Résumé : | L'objectif de la data science est de répondre à des questions opérationnelles en analysant des données. Dans ce but, le data scientist récupère, stocke, organise, traite une masse d'informations afin d'en tirer de la valeur. Si la data science a acquis une grande renommée dans de nombreux domaines comme la reconnaissance d'images ou la fouille de données sur internet, son utilisation en agriculture et, plus largement dans les sciences environnementales, reste encore limitée. Pourtant, dans ces domaines, le champ des applications possibles est très vaste. Potentiellement, la data science peut être utilisée pour évaluer l'impact des activités humaines sur les risques de pollution et les émissions de gaz à effet de serre, prédire en temps réel les rendements des cultures et la production des systèmes d'élevage, suivre l'évolution de l'usage des sols à partir de données satellitaires, ou prédire l'impact du changement climatique. Ce manuel d'initiation vise à démocratiser l'usage de la data science pour des applications en lien avec l'agriculture et l'environnement. L'ouvrage couvre les principales méthodes couramment utilisées pour la prédiction, la classification et le partitionnement de données. Il comporte à la fois des explications détaillées du fonctionnement de chaque méthode, une description de codes R et Python permettant leur utilisation pratique, et des exemples d'applications concrètes en lien avec les sciences agricoles et environnementales. (4e de couverture) |
| Note de contenu : |
Au sommaire :
Chapitre 1. Objectif de la Data Science Chapitre 2. La régression pénalisée Chapitre 3. Régression linéaire avec variables correlées Chapitre 4. Les séparateurs à vaste marges (SVM) Chapitre 5. Arbres et forets aléatoires Chapitre 6. réseaux de neurones Chapitre 7. Apprentissages non supervisé Chapitre 8. Evaluation |
Exemplaires (2)
| Cote | Support | Localisation | Section | Disponibilité | Etat_Exemplaire |
|---|---|---|---|---|---|
| 519.254 DAT | Papier | Bibliothèque Centrale | Informatique | Disponible | Consultation sur place |
| 519.254 DAT | Papier | Bibliothèque Centrale | Informatique | Disponible | En bon état |
