- EAN13
- 9782100869701
- Éditeur
- Dunod
- Date de publication
- 13/03/2024
- Langue
- français
- Fiches UNIMARC
- S'identifier
Python pour le data scientist - 3e éd.
Des bases du langage au machine learning
Emmanuel Jakobowicz
Dunod
Livre numérique
-
Aide EAN13 : 9782100869701
-
Fichier EPUB, avec DRM Adobe
- Impression
-
356 pages
- Copier/Coller
-
71 pages
- Partage
-
6 appareils
24.99 -
Fichier EPUB, avec DRM Adobe
Autre version disponible
-
Papier - Dunod 32,00
Si vous vous intéressez au traitement des données avec le langage Python, cet
ouvrage s’adresse à vous.
Que vous soyez débutant en Python ou que vous ayez une expérience
significative, il vous apportera les clés pour utiliser ce langage en data
science.
Ce livre répond à de nombreuses questions sur Python :
* Comment utiliser Python en data science ?
* Comment coder en Python ?
* Comment préparer des données avec Python ?
* Comment créer des visualisations attractives avec Python ?
* Comment appliquer des modèles de machine learning et de deep learning avec Python ?
* Comment passer aux environnements big data ?
Pour mettre en place vos traitements, vous apprendrez à tirer parti des
multiples outils Python tels que Anaconda, Jupyter, NumPy, Pandas, Matplotlib,
Seaborn, Bokeh, Scikit-Learn, TensorFlow, PySpark…
Cette troisième édition, entièrement refondue et augmentée, est enrichie des
mises à jour de code liées aux évolutions de Python et des packages de data
science.
L’ensemble du code compris dans cet ouvrage est disponible sous la forme de
notebooks Jupyter dans le repository public de l’auteur :
https://github.com/emjako/pythondatascientist
ouvrage s’adresse à vous.
Que vous soyez débutant en Python ou que vous ayez une expérience
significative, il vous apportera les clés pour utiliser ce langage en data
science.
Ce livre répond à de nombreuses questions sur Python :
* Comment utiliser Python en data science ?
* Comment coder en Python ?
* Comment préparer des données avec Python ?
* Comment créer des visualisations attractives avec Python ?
* Comment appliquer des modèles de machine learning et de deep learning avec Python ?
* Comment passer aux environnements big data ?
Pour mettre en place vos traitements, vous apprendrez à tirer parti des
multiples outils Python tels que Anaconda, Jupyter, NumPy, Pandas, Matplotlib,
Seaborn, Bokeh, Scikit-Learn, TensorFlow, PySpark…
Cette troisième édition, entièrement refondue et augmentée, est enrichie des
mises à jour de code liées aux évolutions de Python et des packages de data
science.
L’ensemble du code compris dans cet ouvrage est disponible sous la forme de
notebooks Jupyter dans le repository public de l’auteur :
https://github.com/emjako/pythondatascientist
S'identifier pour envoyer des commentaires.