| Titre : |
Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python |
| Type de document : |
texte imprimé |
| Auteurs : |
David Makowski (1972-....), Auteur ; François Brun, Auteur ; Elodie Doutart, Auteur ; Florent Duyme, Auteur ; Mohammed El Jabri, Auteur |
| Editeur : |
Paris : Ellipses |
| Année de publication : |
2021 |
| Collection : |
Formations & techniques |
| Importance : |
256 p. |
| Présentation : |
ill. |
| Format : |
24 cm |
| ISBN/ISSN/EAN : |
978-2-340-04577-4 |
| Note générale : |
Bibliographie en fin de chapitres |
| Langues : |
Français (fre) |
| Mots-clés : |
Analyse des données
Agriculture -- Prévision et estimation
Technique de l'environnement
Python (Langage de programmation)
R (Langage de programmation)
Récupération des données (Informatique) |
| Index. décimale : |
519.254 Traitement des données. Algorithmes |
| 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 |
Data science pour l'agriculture et l'environnement : méthodes et applications avec R et Python [texte imprimé] / David Makowski (1972-....), Auteur ; François Brun, Auteur ; Elodie Doutart, Auteur ; Florent Duyme, Auteur ; Mohammed El Jabri, Auteur . - Paris : Ellipses, 2021 . - 256 p. : ill. ; 24 cm. - ( Formations & techniques) . ISBN : 978-2-340-04577-4 Bibliographie en fin de chapitres Langues : Français ( fre)
| Mots-clés : |
Analyse des données
Agriculture -- Prévision et estimation
Technique de l'environnement
Python (Langage de programmation)
R (Langage de programmation)
Récupération des données (Informatique) |
| Index. décimale : |
519.254 Traitement des données. Algorithmes |
| 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 |
|  |
519 Analyse combinatoire. Calcul des probabilités, etc.
Ajouter le résultat dans votre panier Faire une suggestion Affiner la rechercheData science pour l'agriculture et l'environnement (2021)
