Les data sciences en 100 questions/réponses + 2 études de cas commentées Coll. Blanche

Un livre à la fois théorique et pratique

Cet ouvrage a pour ambition de couvrir un large spectre du domaine des data sciences. Il va plus loin qu’un simple tour sur les algorithmes d’apprentissage automatique et s’attaque aux autres aspects, malheureusement négligés mais fondamentaux pour tout data scientist :

• concepts généraux mais poussés, dont la maîtrise est indispensable ;
• algorithmes d’apprentissage automatique les plus connus ;
• aspects liés à l’exploration des données ;
• mesures de performances et d’autres métriques utilisées par les algorithmes ;
• différents concepts fondamentaux en mathématiques à connaître pour mieux explorer et comprendre les données ;
• notions importantes des big data ;
• études de cas pratiques en langage Python.

La première partie de ce livre est théorique et adopte un format questions/réponses qui présente plusieurs avantages, dont la possibilité pour le lecteur de lire distinctement chacune des questions pour parfaire son savoir. Un autre point fort de cette structure est qu’elle incite à entrer dans un dialogue. Ainsi, grâce aux questions posées, le lecteur est poussé vers une réflexion où il confronte ses réponses à celles données par le livre.

La deuxième partie est pratique et propose deux exemples d’implémentation de modèles d’apprentissage automatique. Vous y trouverez des codes écrits en Python et un aperçu de différentes difficultés que peut rencontrer un spécialiste lors de l’exercice de son métier.

À qui s’adresse cet ouvrage ?

Le présent ouvrage est adapté à toute personne ayant une certaine maîtrise de la data science et du Machine Learning. Il aidera notamment à se rappeler des concepts importants, mais suppose que le lecteur soit initié sur le sujet. Il sera particulièrement utile à ceux qui veulent se préparer pour un concours, un examen ou un entretien.

Partie théorique
Questions généralistes - Vue d'ensemble des algorithmes - Préparation des données - Mesures, métriques et performances - Mathématiques pour l'apprentissage automatique - Big data

Partie pratique
Études de cas - La data science dans la pratique - Aborder un problème de Machine Learning - Étude de cas 11 : Régression linéaire - Étude de cas J2 : Régression logistique

Younes Benzaki est consultant informatique depuis plus de dix ans auprès de grands acteurs de l’économie française. Il a fait ses débuts dans les technologies Java EE. Avec l’émergence du big data, Younes s’est tourné vers la data science et y consacre depuis des articles sur Mister Mint (https://mrmint.fr), son site Internet, également dédié au Machine Learning. Depuis 2018, il accompagne la Banque de France dans le développement du langage Python dans son parc logiciel.