[PDF] [PDF] Bases du data scientist - Data science Master 2 ISIDIS - LISIC

[PDF] « Data Science : fondamentaux et études de cas » est disponible

Data Science : fondamentaux et études de cas » est disponible aux éditions Eyrolles terrain du machine learning, ils partagent des exemples issus de

[PDF] Eric Biernat, Michel Lutz, 2017, Data science : fondamentaux et

https://archined ined Eric Biernat, Michel Lutz, 2017, Data science : fondamentaux et études de cas, Machine learning avec Python et R, Paris, Eyrolles, 296 p 

data science - OCTO Academy

Ouvrage "Data Science : Fondamentaux et études de cas" - Eric Biernat, · Michel Lutz Programme domaine "DATA SCIENCE" Date de téléchargement : 22/06/ 

Fondamentaux de la Data Science - OCTO Academy

Découvrir le monde de la Data Science et les grandes familles de problèmes Ouvrage "Data Science : Fondamentaux et études de cas" - Eric Biernat,

[PDF] Bases du data scientist - Data science Master 2 ISIDIS - LISIC

Data Science : fondamentaux et études de cas Machine Learning avec Python et R Eric Biernat, Michel Lutz, Eyrolles, 2015 Que les auteurs en soient remerciés  

[PDF] Introduction data science - LISIC

Le cours et les supports reposent principalement sur ces sources bibliographiques : Data Science : fondamentaux et études de cas Machine Learning avec 

[PDF] Tanagra Data Mining Ricco Rakotomalala 8 janvier 2016 Page 1/7

8 jan 2016 · Data Science : fondamentaux et études de cas - Machine learning avec Python et R Eric Biernat, Michel Lutz Eyrolles, 2015 « Data Science 

[PDF] Bases du data scientist - Data science Master 2 ISIDIS - LISIC

[PDF] R Programming for Data Science - Computer Science Department

[PDF] Sashelp Data Sets - SAS Support

[PDF] Introduction au domaine du décisionnel et aux data warehouses

[PDF] DESIGNING AND IMPLEMENTING A DATA WAREHOUSE 1

[PDF] Datawarehouse

[PDF] Definition • a database is an organized collection of - Dal Libraries

[PDF] Evaluating database management systems - Semantic Scholar

[PDF] (DBMS) Purpose of Database System Purpose of - Videnio

[PDF] DBMS tutorials pdf

[PDF] 199 - Les + de Studio Telecom

[PDF] DATAR 11b:Mise en page 1 - Ministère de la Cohésion des territoires

[PDF] Territoires 2040 n_2

[PDF] DATAR 11b:Mise en page 1 - Ministère de la Cohésion des territoires

[PDF] la France puissance industrielle - Les Echosfr

Bases du data scientist

Data science

Master 2 ISIDIS

ebastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/ ~verel

Universite du Littoral C^ote d'Opale

Laboratoire LISIC

Equipe OSMOSE

Bibliographie

Ce cours repose principalement sur ce livre :

Data Science : fondamentaux et etudes de cas

Machine Learning avec Python et R

Eric Biernat, Michel Lutz,

Eyrolles, 2015.

Que les auteurs en soient remercies chaleureusement!

Une denition

Data science

"Demarche empirique qui se base sur des donnees pour apporter une reponse a des problemes" Data science : fondamentaux et etudes de cas, E. Biernat, M.

Lutz, Eyrolles, 2015.Remarque

Il faut des donnees!

Accessibilite juridique, technique, materielle

Une denition

Data science

"Demarche empirique qui se base sur des donnees pour apporter une reponse a des problemes" Data science : fondamentaux et etudes de cas, E. Biernat, M.

Lutz, Eyrolles, 2015.Remarque

Il faut des donnees!

Accessibilite juridique, technique, materielle

Donnees

Denition

"Le resultat d'une observation faite sur une population ou sur un echantillon"

Statistique, dictionnaire encyclopedique, Springer (Dodge, 2007)Une donnee est unnombre, ou unecaracteristiquequi apporte

uneinformationsur un individus, un objet ou une observationExemple

Florian : "J'ai 10 ans"

Variable

Lien entre une variable et des donnees :

Le nombre/caracteristique varie avec les individus/objets

Notations :VariableXjpour les individus/objets/observationsi:Xij.VariableXagepour les individus 1;2;::::X1age;X2age;:::

Type de donnees

Donneequantitative

quantite mesurable, repond au "combien?" calculs possibles (moyenne, etc.),

comparaisons (egalite, dierence, inf/superieure)Continues :2IRDiscretes : nombre de valeurs "limitees"

DonneesQualitative

qualite ou caracteristiques repond a la "categorie"Nominale (categorielle) couleur des yeux comparaison (egalite / dierence)Ordinale

Possede un ordre (degre a un test d'opinion etc.)

comparaison superieure / inferieure possible

Representation matricielle des donnees

Plusieurs variablesX1;X2;:::;Xjpourjde 1 an

peuvent decrire un m^eme individus/objet/observation.

Grand nombre d'individuside 1 am.

La valeur de la variablejsur un individusise notexijX=0

11x1n.........

m1xmn1

Apprentissage automatique (Machine Learning)

Denition informelle

Etude et conception de systemes (methodes executees par une machine) qui sont capables d'apprendre a partir de donnees.Exemple un systeme qui distinguent les courriels spam et non-spam.

Apprentissage automatique (Machine Learning)

E: l'ensemble de toutes les t^aches possibles.

S: un systeme (une machine)Denition un peu plus formelle [T.M. Mitchell, 1997]

TE: ensemble de taches appeletraining set

P:S E!IR: mesure de performance d'un syst. sur des t^aches.

Un systemeSapprendlo rsd'une exp erienceExp si

la performance deSsur les tachesT, mesuree parP, s'ameliore.

P(Savant Exp;T)P(Sapres Exp;T)Exemple

Taches T : Classier des emails recus durant une journee Performance P : Taux de rejet correct des spams parS Experience Exp : 1 semaine exposition aux courriels d'un utilisateur

Types d'apprentissage

Apprentissage supervise :

Apprentissage sur un ensemble d'exemples etiquetes : (xi;yi)Apprentissage non supervise : Apprentissage sur un ensemble d'exemples non etiquetes (cf. clustering) iApprentissage semi-supervise : Apprentissage sur un ensemble d'exemples etiquetes / non etiquetesApprentissage par renforcement : Apprentissage ou les actions sur l'environnement se mesurent par une recompense...

Types d'apprentissage

Apprentissage supervise :

Apprentissage sur un ensemble d'exemples etiquetes : (xi;yi)Apprentissage non supervise : Apprentissage sur un ensemble d'exemples non etiquetesquotesdbs_dbs7.pdfusesText_5