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.

Éditeur(s)
- Dunod
Date
- 2024
Notes
- Lexique. Bibliogr. Index
Langues
- Français
Description matérielle
- 1 vol. (356 p.) : illustrations en noir et blanc, cartes ; 25 x 18 cm
Collections
- InfoPro
Sujet(s)
- Python (langage de programmation)
ISBN
- 978-2-10-085976-4
Indice
- 681.234 Python
Quatrième de couverture
- Python pour le data scientist
  Des bases du langage au machine learning
  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 conda, Jupyter, NumPy, Pandas, Matplotlib, Seaborn, Plotly, Dash, Streamlit, Scikit- Learn, TensorFlow, Keras, PySpark... pour mettre en place vos traitements.
  Cette troisième édition est complétée et enrichie par des mises à jour de code liées aux évolutions de Python et des packages de data science.
  #Python #Analyse des données #Base de données #Big Data #Statistique «Informatique
Tables des matières
- - Python pour le data scientist
  - Des bases du langage au machine learning
  - 3 édition
  - Emmanuel Jakobowicz
  - Dunod
  - Avant-propos 11
  - Les fondamentaux du langage Python
  - 1 Python, ses origines et son environnement 17
  - 1. Histoire, origines et évolution : de la naissance à la version 3.1217
  - 1.1 Les origines et l'évolution du langage18
  - 1.2 La rencontre entre Python et la data science18
  - 1.3 L'évolution actuelle19
  - 1.4 Le futur de Python20
  - 2. Python vs R vs le reste du monde20
  - 2.1 R21
  - 2.2 Outils de traitement de flux23
  - 2.3 SAS24
  - 2.4 Les autres langages25
  - 3. Comment développer en Python ?25
  - 4. Les outils pour coder en Python28
  - 4.1 Python et PyPi28
  - 4.2 Anaconda29
  - 4.3 IPython32
  - 4.4 Visual Studio Code, Spyder et PyCharm33
  - 4.5 Jupytèr notebooks35
  - 4.6 JupyterLab40
  - 5. Les packages pour la data science42
  - 5.1 Les packages pour la gestion des données et le calcul numérique42
  - 5.2 Les packages pour la visualisation des données43
  - 5.3 Les packages pour le machine learning et le deep learning44
  - 5.4 Les packages pour le big data44
  - 5.5 Autres packages pour la data science45
  - 2 Python from scratch 47
  - 1. Principes de base47
  - 1.1 Un langage interprété, de haut niveau et orienté objet47
  - 1.2 Python 2 ou Python 348
  - 2. Les interpréteurs : Python et IPython49
  - 2.1 Linterpréteur Python - une calculatrice évoluée49
  - 2.2 Linterpréteur IPython - une ouverture vers plus de possibilités50
  - 3. La base pour commencer à coder54
  - 3.1 Les principes54
  - 3.2 Un langage tout objet56
  - 3.3 Les commentaires56
  - 3.4 Les conventions de nommage57
  - 3.5 Les règles de codage57
  - 3.6 Les opérateurs logiques58
  - 4. Les structures (tuples, listes, dictionnaires).58
  - 4.1 Les tuples59
  - 4.2 Les listes59
  - 4.3 Les chaînes de caractères - des listes de caractères61
  - 4.4 Les dictionnaires63
  - 5. La programmation (conditions, boucles...)63
  - 5.1 Les conditions64
  - 5.2 Les boucles 66
  - 6. Les fonctions68
  - 6.1 Généralités68
  - 6.2 Les arguments d'une fonction69
  - 6.3 Les docstrings70
  - 6.4 Les retours multiples71
  - 6.5 Les fonctions lambda72
  - 7. Les classes et les objets72
  - 7.1 Qu'est-ce qu'une classe ?73
  - 7.2 Comment définir une classe ?73
  - 7.3 Aller plus loin sur les classes74
  - 8. Les packages et les modules74
  - 8.1 Un peu de vocabulaire74
  - 8.2 Installer un package75
  - 8.3 Charger un package ou un module dans votre code75
  - 8.4 Créer son propre module/package76
  - 9. Aller plus loin77
  - 9.1 La gestion des exceptions77
  - 9.2 Les expressions régulières79
  - 9.3 Les décorateurs80
  - La préparation et la visualisation des données avec Python
  - 3 Python et les données (NumPy et Pandas] 85
  - 1. La donnée à l'ère de la data science85
  - 1.1 Le type de données86
  - 1.2 Le travail de préparation des données87
  - 2. Les arrays de NumPy87
  - 2.1 Le ndarray de NumPy88
  - 2.2 Construire un array88
  - 2.3 Les types de données dans des arrays89
  - 2.4 Les propriétés d'un array90
  - 2.5 Accéder aux éléments d'un array90
  - 2.6 La manipulation des arrays avec NumPy91
  - 2.7 Copies et vues d'arrays98
  - 2.8 Quelques opérations d'algèbre linéaire99
  - 2.9 Les arrays structurés100
  - 2.1. Exporter et importer des arrays101
  - 3. Les objets sériés et dataframe de Pandas102
  - 3.1 Les objets Sériés de Pandas.....102
  - 3.2 Les objets DataFrame de Pandas105
  - 3.3 Copie et vue des objets de Pandas110
  - 4 La préparation des données et les premières statistiques 113
  - 1. Présentation des données113
  - 1.1 Les locations Airbnb à Paris114
  - 1.2 Les données des employés de la ville de Boston114
  - 1.3 Les données des communes d'île-de-France115
  - 1.4 Les données sur les clients d'un opérateur de télécommunications116
  - 1.5 Les SMS pour la classification de messages indésirables116
  - 1.6 La base de données des vêtements Fashion-MNIST117
  - 1.7 Les données de l'indice CAC40 depuis 1987118
  - 2. Les outils pour charger les données118
  - 2.1 Importer des données structurées118
  - 2.2 Le traitement des données externes (csv, SQL, xlsx, open data...)119
  - 2.3 Charger et transformer des données non structurées (images, sons, json, xml...)129
  - 3. Décrire et transformer des colonnes135
  - 3.1 Décrire la structure de vos données135
  - 3.2 Quelles transformations pour les colonnes de vos données ?137
  - 3.3 Les changements de types137
  - 3.4 Les jointures et concaténations140
  - 3.5 La gestion des doublons de lignes143
  - 3.6 La discrétisation144
  - 3.7 Les tris146
  - 3.8 Le traitement de données temporelles147
  - 3.9 Le traitement des données manquantes151
  - 3.10 Le traitement des colonnes avec des données qualitatives155
  - 3.11 Les transformations numériques159
  - 3.12 Echantillonnage des données160
  - 3.13 La construction de tableaux croisés162
  - 4. Extraire des statistiques descriptives163
  - 4.1 Statistiques pour données quantitatives163
  - 4.2 Statistiques pour données qualitatives166
  - 5. Utilisation du groupby pour décrire des données167
  - 5.1 Le principe167
  - 5.2 Les opérations sur les objets groupby167
  - 5.3 Apply : une méthode importante pour manipuler vos groupby168
  - 5.4 Cas concret d'utilisation d'un groupby.169
  - 6. Aller plus loin : accélération170
  - 6.1 Parallélisation avec Dask et Pandas170
  - 6.2 Accélération du code avec Numba171
  - 5 Data visualisation avec Python 175
  - 1. Construction de graphiques avec Matplotlib175
  - 1.1 Utilisation de Matplotlib175
  - 1.2 Afficher des graphiques176
  - 1.3 Les paramètres globaux de Matplotlib et l'exportation de graphiques177
  - 1.4 Utilisation de Matplotlib depuis Pandas179
  - 1.5 Votre premier graphique avec Matplotlib180
  - 1.6 Nuage de points avec plt.scatter183
  - 1.7 Le graphique en bâtons avec plt.bar()184
  - 1.8 La construction d'un pie chart186
  - 1.9 Les barres d'erreurs avec plt.errorbarf()187
  - 1.10 La construction d'histogrammes188
  - 1.11 Personnaliser vos graphiques Matplotlib189
  - 1.12 Créer un graphique animé195
  - 2. Seaborn pour des représentations plus élaborées196
  - 2.1 Utilisation de Seaborn196
  - 2.2 Le box plot ou la boîte à moustaches197
  - 2.3 Les violons199
  - 2.4 Les histpIot() de Seaborn200
  - 2.5 Les pairplot() de Seaborn ou la matrice de graphiques201
  - 2.6 Les jointplot()202
  - 3. Quelques bases de cartographie203
  - 3.1 Installation et utilisation de Cartopy204
  - 3.2 Les autres outils207
  - 4. Les graphiques interactifs avec d'autres packages et outils209
  - 4.1 Les packages utilisés209
  - 4.2 Plotly pour la création de visualisation interactives210
  - 4.3 Création d'une application web avec Dash ou Streamlit212
  - 4.4 Construction d'une application web avec Streamlit215
  - Python, le machine learning et le big data
  - 6 Différentes utilisations du machine learning avec Python 219
  - 1. Le machine learning, qu'est-ce que c'est ?219
  - 1.1 Les principes et les familles d'algorithmes219
  - 1.2 Faire du machine learning221
  - 2. Comment faire du machine learning avec Python223
  - 2.1 Scikit-Learn223
  - 2.2 TensorFlow224
  - 2.3 Keras225
  - 2.4 PyTorch225
  - 2.5 MLflow225
  - 3. Le processus de traitement en machine learning226
  - 3.1 Le rôle du data scientist pour les traitements machine learning226
  - 3.2 Avant les algorithmes : les données226
  - 3.3 Quelques règles à respecter lorsqu'on utilise des algorithmes227
  - 3.4 Le traitement avec Scikit-Learn229
  - 4. Lapprentissage supervisé avec Scikit-Learn ..232
  - 4.1 Les données et leur transformation232
  - 4.2 Le choix et l'ajustement de l'algorithme239
  - 4.3 Les indicateurs pour valider un modèle246
  - 4.4 Lajustement des hyperparamètres d'un modèle254
  - 4.5 La construction d'un pipeline de traitement257
  - 4.6 Passer en production votre modèle d'apprentissage supervisé260
  - 5. Lapprentissage non supervisé263
  - 5.1 Le principe263
  - 5.2 Implémentation d'une méthode de clustering avec Python263
  - 5.3 Les méthodes de réduction de dimension269
  - 6. L'analyse textuelle avec Python275
  - 6.1 Les données textuelles en Python275
  - 6.2 Le prétraitement des données276
  - 6.3 La mise en place d'un premier modèle prédictif279
  - 6.4 Aller plus loin282
  - 7. Le deep learning283
  - 7.1 Pourquoi le deep learning ?283
  - 7.2 Installer votre environnement284
  - 7.3 Principe d'un réseau de neurones et première utilisation284
  - 7.4 Le deep learning et les réseaux de neurones à convolutions288
  - 7.5 Aller plus loin : génération de features, transfer learning, RNN, GAN293
  - 7 Python et le big data : tour d'horizon 301
  - 1. Est-ce qu'on change tout quand on parle de big data ?301
  - 2. Comment traiter de la donnée massive avec Python303
  - 3. Récupérer des données avec Python304
  - 3.1 Les approches classiques304
  - 3.2 Se connecter aux fichiers HDFS en Python - utilisation de PyArrow304
  - 4. Utilisation d'Apache Spark avec PySpark en Python306
  - 4.1 Principes de Spark306
  - 4.2 Installer une infrastructure Spark308
  - 4.3 Le DataFrame de Spark SQL310
  - 4.4 Le machine learning avec Spark315
  - Lexique de la data science 319
  - Mettre en place votre environnement 323
  - Bibliographie 327
  - Index 331
Origine de la notice:
- Electre