Python pour le data scientist : des bases du langage au machine learning

Auteur(s) :

Jakobowicz, Emmanuel (1980-....) Découvrir l'auteur

Résumé

Guide d'utilisation du langage Python appliqué au travail sur les données et à l'automatisation de certaines tâches. Avec des exemples, des exercices et des compléments accessibles en ligne. ©Electre 2021

Éditeur(s)
- Dunod
Date
- DL 2021
Notes
- Lexique. Bibliogr. p. [305]-307. Index
Langues
- Français
Description matérielle
- 1 vol. (XIII-312 p.) : ill., graph. ; 25 cm
Collections
- InfoPro
Sujet(s)
ISBN
- 978-2-10-081224-0
Indice
- 681.234 Python
Quatrième de couverture
- Python pour le data scientist
  Des bases du langage au machine learning
  2^e édition
  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 ?
  
  Vous apprendrez à tirer parti des multiples outils Python tels que Anaconda, Jupyter, NumPy, Pandas, Matplotlib, Seaborn, Bokeh, Scikit-Learn, TensorFlow, PySpark... pour mettre en place vos traitements.
  Cette deuxième édition est complétée et enrichie par des mises à jour de code liées aux évolutions de Python et des packages de data science. Des données plus récentes sont aussi utilisées.
Tables des matières
- - Python pour le Data scientist
  - Des bases du langage au machine learning
  - 2e édition
  - Emmanuel Jakobowicz
  - Dunod
  - Avant-propos XI
  - Première partie
  - Les fondamentaux du langage Python
  - 1 Python, ses origines et son environnement 17
  - 1.1 Histoire, origines et évolution : de la naissance à la version 3.917
  - 1.1.1 Les origines et l'évolution du langage18
  - 1.1.2 La rencontre entre Python et la data science18
  - 1.1.3 Lévolution actuelle19
  - 1.1.4 Le futur de Python19
  - 1.2 Python vs R vs le reste du monde20
  - 1.2.1 R20
  - 1.2.2 Outils de traitement de flux23
  - 1.2.3 SAS24
  - 1.2.4 Les autres langages24
  - 1.3 Comment développer en Python ?25
  - 1.4 Les outils pour coder en Python27
  - 1.4.1 Python et PyPi27
  - 1.4.2 Anaconda28
  - 1.4.3 IPython31
  - 1.4.4 Spyder, Visual Studio Code et PyCharm33
  - 1.4.5 Jupyter notebooks34
  - 1.4.6 JupyterLab : l'évolution des notebooks40
  - 1.5 Les packages pour la data science42
  - 1.5.1 Les packages pour la gestion des données et le calcul numérique42
  - 1.5.2 Les packages pour la visualisation des données43
  - 1.5.3 Les packages pour le machine learning et le deep learning43
  - 1.5.4 Les packages pour le big data44
  - 1.5.5 Autres packages pour la data science44
  - 2 Python from scratch 45
  - 2.1 Principes de base45
  - 2.1.1 Un langage interprété, de haut niveau et orienté objet45
  - 2.1.2 Python 2 ou Python 346
  - 2.2 Les interpréteurs : Python et IPython47
  - 2.2.1 Linterpréteur Python - une calculatrice évoluée47
  - 2.2.2 Linterpréteur IPython - une ouverture vers plus de possibilités48
  - 2.3 La base pour commencer à coder52
  - 2.3.1 Les principes52
  - 2.3.2 Un langage tout objet53
  - 2.3.3 Les commentaires54
  - 2.3.4 Les conventions do nommage54
  - 2.3.5 Los règles de codage55
  - 2.3.6 Les opérateurs logiques55
  - 2.4 Les structures (tuples, listes, dictionnaires)56
  - 2.4.1 Les tuples56
  - 2.4.2 Les listes57
  - 2.4.3 Les chaînes de caractères - des listes de caractères59
  - 2.4.4 Les dictionnaires60
  - 2.5 La programmation (conditions, boucles..)61
  - 2.5.1 Les conditions61
  - 2.5.2 Les boucles63
  - 2.6 Les fonctions65
  - 2.6.1 Généralités65
  - 2.6.2 Les arguments d'une fonction66
  - 2.6.3 Les docstrings68
  - 2.6.4 Les retours multiples69
  - 2.6.5 Les fonctions lambda69
  - 2.7 Les classes et les objets70
  - 2.7.1 Qu'est-ce qu'une classe ?70
  - 2.7.2 Comment définir une classe ?70
  - 2.7.3 Aller plus loin sur les classes72
  - 2.8 Les packages et les modules72
  - 2.8.1 Un peu de vocabulaire72
  - 2.8.2 Installer un package72
  - 2.8.3 Charger un package ou un module dans votre code72
  - 2.8.4 Créer son propre module/package73
  - 2.9 Aller plus loin74
  - 2.9.1 La gestion des exceptions74
  - 2.9.2 Les expressions régulières76
  - 2.9.3 Les décorateurs77
  - Deuxième Partie
  - La préparation et la visualisation des données avec Python
  - 3 Python et les données (NumPy et Pandas) 81
  - 3.1 La donnée à l'ère de la data science81
  - 3.1.1 Le type de données82
  - 3.1.2 Le travail de préparation des données83
  - 3.2 Les arrays de NumPy83
  - 3.2.1 Le ndarray de NumPy83
  - 3.2.2 Construire un array84
  - 3.2.3 Les types de données dans des arrays85
  - 3.2.4 Les propriétés d'un array85
  - 3.2.5 Accéder aux éléments d'un array86
  - 3.2.6 La manipulation des arrays avec NumPy87
  - 3.2.7 Copies et vues d'arrays93
  - 3.2.8 Quelques opérations d'algèbre linéaire94
  - 3.2.9 Les arrays structurés95
  - 3.2.10 Exporter et importer des arrays96
  - 3.3 Les objets sériés et dataframe de Pandas97
  - 3.3.1 Les objets Sériés de Pandas97
  - 3.3.2 Les objets DataFrame de Pandas 100
  - 3.3.3 Copie et vue des objets de Pandas 104
  - 4 La préparation des données et les premières statistiques 107
  - 4.1 Présentation des données107
  - 4.1.1 Les locations AirBnB à Paris107
  - 4.1.2 Les données des employés de la ville de Boston108
  - 4.1.3 Les données des communes d'île-de-France109
  - 4.1.4 Les données sur les clients d'un opérateur de télécommunications109
  - 4.1.5 Les SMS pour la classification de messages indésirables110
  - 4.1.6 La base de données des vêtements Fashion-MNIST111
  - 4.1.7 Les données de l'indice CAC40 depuis 1987111
  - 4.2 Les outils pour charger les données112
  - 4.2.1 Importer des données structurées112
  - 4.2.2 Le traitement des données externes (csv, SQL, xlsx, open data...)112
  - 4.2.3 Charger et transformer des données non structurées (images, sons, json, xml...)121
  - 4.3 Décrire et transformer des colonnes126
  - 4.3.1 Décrire la structure de vos données126
  - 4.3.2 Quelles transformations pour les colonnes de vos données ?128
  - 4.3.3 Les changements de types129
  - 4.3.4 Les jointures et concaténations131
  - 4.3.5 La gestion des duplications de lignes133
  - 4.3.6 La discrétisation134
  - 4.3.7 Les tris137
  - 4.3.8 Le traitement de données temporelles138
  - 4.3.9 Le traitement des données manquantes142
  - 4.3.10 Le traitement des colonnes avec des données qualitatives145
  - 4.3.11 Les transformations numériques149
  - 4.3.12 Échantillonnage des données150
  - 4.3.13 La construction de tableaux croisés151
  - 4.4 Extraire des statistiques descriptives152
  - 4.4.1 Statistiques pour données quantitatives153
  - 4.4.2 Statistiques pour données qualitatives155
  - 4.5 Utilisation du groupby pour décrire des données156
  - 4.5.1 Le principe156
  - 4.5.2 Les opérations sur les objets groupby156
  - 4.5.3 Apply : une méthode importante pour manipuler vos groupby158
  - 4.5.4 Cas concret d'utilisation d'un groupby158
  - 4.6 Aller plus loin : accélération160
  - 4.6.1 Parallélisation avec Dask et Pandas160
  - 4.6.2 Accélération du code avec Numba161
  - 5 Data visualisation avec Python 165
  - 5.1 Construction de graphiques avec Matplotlib165
  - 5.1.1 Utilisation de Matplotlib165
  - 5.1.2 Afficher des graphiques166
  - 5.1.3 Les paramètres globaux de Matplotlib et l'exportation de graphiques167
  - 5.1.4 Votre premier graphique169
  - 5.1.5 Nuage de points avec plt.scatter172
  - 5.1.6 Le graphique en bâtons avec plt.barO174
  - 5.1.7 La construction d'un pie chart175
  - 5.1.8 Les barres d'erreurs avec plt.errorbarf)176
  - 5.1.9 La construction d'histogrammes177
  - 5.1.10 Personnaliser vos graphiques Matplotlib178
  - 5.1.11 Créer un graphique animé184
  - 5.2 Seaborn pour des représentations plus élaborées185
  - 5.2.1 Utilisation de Seaborn185
  - 5.2.2 Le box plot ou la boîte à moustaches185
  - 5.2.3 Les violons187
  - 5.2.4 Les distplotü de Seaborn189
  - 5.2.5 Les pairplot() de Seaborn ou la matrice de graphiques189
  - 5.2.6 Les jointplot()190
  - 5.3 Quelques bases de cartographie191
  - 5.3.1 Installation et utilisation de Cartopy192
  - 5.3.2 Les autres outils195
  - 5.4 Les graphiques interactifs avec d'autres packages et outils197
  - 5.4.1 Les packages utilisés197
  - 5.4.2 Création d'une visualisation avec Bokeh197
  - 5.4.3 Création d'une application web avec Bokeh199
  - Troisième Partie
  - Python, le machine learning et le big data
  - 6 Différentes utilisations du machine learning avec Python 205
  - 6.1 Le machine learning, qu'est-ce que c'est ?205
  - 6.1.1 Les principes et les familles d'algorithmes205
  - 6.1.2 Faire du machine learning207
  - 6.2 Comment faire du machine learning avec Python208
  - 6.2.1 Scikit-Learn208
  - 6.2.2 TensorFlow210
  - 6.2.3 Keras210
  - 6.2.4 PyTorch211
  - 6.3 Le processus de traitement en machine learning211
  - 6.3.1 Le rôle du data scientist pour les traitements machine learning211
  - 6.3.2 Avant les algorithmes : les données211
  - 6.3.3 Quelques règles à respecter lorsqu'on utilise des algorithmes212
  - 6.3.4 Le traitement avec Scikit-Learn214
  - 6.4 Lapprentissage supervisé avec Scikit-Learn216
  - 6.4.1 Les données et leur transformation217
  - 6.4.2 Le choix et l'ajustement de l'algorithme224
  - 6.4.3 Les indicateurs pour valider un modèle230
  - 6.4.4 L'ajustement des hyperparamètres d'un modèle237
  - 6.4.5 La construction d'un pipeline de traitement240
  - 6.4.6 Passer en production votre modèle d'apprentissage supervisé243
  - 6.5 L'apprentissage non supervisé245
  - 6.5.1 Le principe245
  - 6.5.2 Implémentation d'une méthode de clustering avec Python245
  - 6.5.3 Les méthodes de réduction de dimension251
  - 6.6 L'analyse textuelle avec Python257
  - 6.6.1 Les données textuelles en Python257
  - 6.6.2 Le prétraitement des données258
  - 6.6.3 La mise en place d'un premier modèle prédictif261
  - 6.6.4 Aller plus loin264
  - 6.7 Le deep learning265
  - 6.7.1 Pourquoi le deep learning ?265
  - 6.7.2 Installer votre environnement265
  - 6.7.3 Principe d'un réseau de neurones et première utilisation266
  - 6.7.4 Le deep learning et les réseaux de neurones à convolutions270
  - 6.7.5 Aller plus loin : génération de features, transfer learning, RNN, GAN274
  - 7 Python et le big data : tour d'horizon 279
  - 7.1 Est-ce qu'on change tout quand on parle de big data ?279
  - 7.2 Comment traiter de la donnée massive avec Python280
  - 7.3 Récupérer des données avec Python281
  - 7.3.1 Les approches classiques281
  - 7.3.2 Se connecter aux fichiers HDFS en Python- Utilisation de PyArrow282
  - 7.3.3 Faire du Hive avec Python - Utilisation de PyHive283
  - 7.4 Utilisation d'Apache Spark avec PySpark en Python284
  - 7.4.1 Principes de Spark284
  - 7.4.2 Installer une infrastructure Spark286
  - 7.4.3 Le DataFrame de Spark SQL287
  - 7.4.4 Le machine learning avec Spark293
  - Lexique de la data science 297
  - Mettre en place votre environnement 301
  - Bibliographie 305
  - Index 309
Origine de la notice:
- Electre