|
| Titre : |
Data mining et statistiques décisionnelle : La science des données |
| Type de document : |
texte imprimé |
| Auteurs : |
Stéphane Tufféry, Auteur ; Gilbert Saporta, Préfacier, etc. |
| Mention d'édition : |
5eme édition |
| Editeur : |
Paris : Technip |
| Année de publication : |
2017 |
| Importance : |
1 vol. (XX-913 p.) |
| Présentation : |
ill., graph., tableaux, couv. ill. en coul. |
| Format : |
24 cm |
| ISBN/ISSN/EAN : |
978-2-7108-1180-0 |
| Langues : |
Français (fre) |
| Catégories : |
Analyse de données
StatistiqueUse when referring to the science of statistics. For collections of statistics, use "statistical data", or more specific descriptor, e.g. "educational statistics", etc.
|
| Index. décimale : |
519.5 Statistiques et probabilités |
| Résumé : |
Présentation de l'éditeur : "Le data mining et la data science sont de plus en plus répandus dans les entreprises et les organisations soucieuses d’extraire l’information pertinente de leurs bases de données, qu’elles peuvent utiliser pour expliquer et prévoir les phénomènes qui les concernent (risques, production, consommation, fidélisation…).
Cette cinquième édition, actualisée et augmentée de 90 pages, fait le point sur le data mining, ses méthodes, ses outils et ses applications, qui vont du scoring jusqu’au text mining, objet d’un chapitre complètement remanié. Nombre de ses outils appartiennent à l’analyse des données et à la statistique « classiques » (analyse factorielle, classification automatique, analyse discriminante, régression logistique, modèles linéaires généralisés, régression pénalisée, régression clusterwise…) mais certains sont plus spécifiques au data mining, comme les réseaux de neurones, les algorithmes génétiques, les SVM, les arbres de décision, les forêts aléatoires, le boosting et la détection des règles d’associations. Les avancées les plus récentes du machine learning et les applications les plus actuelles des Big Data sont présentées, qui vont des algorithmes de reconnaissance d’image aux méthodes de plongement de mots en text mining. Les chapitres sur les réseaux de neurones et les SVM sont illustrés par la reconnaissance de l’écriture manuscrite.
Ces outils sont disponibles dans des logiciels de plus en plus puissants et complets, à commencer par le logiciel libre R, que nous comparons en détail aux logiciels SAS et IBM SPSS dans un chapitre spécifique. Ces logiciels sont utilisés pour illustrer par des exemples précis les explications théoriques données.
Les aspects méthodologiques vont de la conduite des projets jusqu’aux facteurs de réussite et aux pièges à éviter, en passant par l’évaluation et la comparaison des modèles, leur intégration dans les processus opérationnels. Un chapitre est consacré à une étude de cas complète de credit scoring, de l’exploration des données jusqu’à l’élaboration de la grille de score." |
| Note de contenu : |
1. Panorama du data mining et de la data science. 2. Le déroulement d’une étude de data mining. 3. L’exploration et la préparation des données. 4. L’utilisation des données commerciales et géodémographiques. 5. Les logiciels de statistique, de data mining et machine learning. 6. Panorama des méthodes de statistique et de data mining. 7. L’analyse factorielle. 8. Les réseaux de neurones artificiels. 9. Les méthodes de classification automatique. 10. La détection des règles d’associations. 11. Les méthodes de classement et de régression. 12. L’analyse discriminante linéraire et ses généralisations. 13. Le modèle linéaire et ses généralisations. 14. Le modèle logistique et ses généralisations. 15. Les arbres de décisions. 16. Les autres modèles prédictifs. 17. Les méthodes d’agrégation de modèles. 18. Une application du data mining : le scoring. 19. Les facteurs de succès d’un projet de data mining. 20. Le text mining. 21. Le web mining. Annexes. Bibliographie. Index. |
Data mining et statistiques décisionnelle : La science des données [texte imprimé] / Stéphane Tufféry, Auteur ; Gilbert Saporta, Préfacier, etc. . - 5eme édition . - Paris : Technip, 2017 . - 1 vol. (XX-913 p.) : ill., graph., tableaux, couv. ill. en coul. ; 24 cm. ISBN : 978-2-7108-1180-0 Langues : Français ( fre) | Catégories : |
Analyse de données
StatistiqueUse when referring to the science of statistics. For collections of statistics, use "statistical data", or more specific descriptor, e.g. "educational statistics", etc.
|
| Index. décimale : |
519.5 Statistiques et probabilités |
| Résumé : |
Présentation de l'éditeur : "Le data mining et la data science sont de plus en plus répandus dans les entreprises et les organisations soucieuses d’extraire l’information pertinente de leurs bases de données, qu’elles peuvent utiliser pour expliquer et prévoir les phénomènes qui les concernent (risques, production, consommation, fidélisation…).
Cette cinquième édition, actualisée et augmentée de 90 pages, fait le point sur le data mining, ses méthodes, ses outils et ses applications, qui vont du scoring jusqu’au text mining, objet d’un chapitre complètement remanié. Nombre de ses outils appartiennent à l’analyse des données et à la statistique « classiques » (analyse factorielle, classification automatique, analyse discriminante, régression logistique, modèles linéaires généralisés, régression pénalisée, régression clusterwise…) mais certains sont plus spécifiques au data mining, comme les réseaux de neurones, les algorithmes génétiques, les SVM, les arbres de décision, les forêts aléatoires, le boosting et la détection des règles d’associations. Les avancées les plus récentes du machine learning et les applications les plus actuelles des Big Data sont présentées, qui vont des algorithmes de reconnaissance d’image aux méthodes de plongement de mots en text mining. Les chapitres sur les réseaux de neurones et les SVM sont illustrés par la reconnaissance de l’écriture manuscrite.
Ces outils sont disponibles dans des logiciels de plus en plus puissants et complets, à commencer par le logiciel libre R, que nous comparons en détail aux logiciels SAS et IBM SPSS dans un chapitre spécifique. Ces logiciels sont utilisés pour illustrer par des exemples précis les explications théoriques données.
Les aspects méthodologiques vont de la conduite des projets jusqu’aux facteurs de réussite et aux pièges à éviter, en passant par l’évaluation et la comparaison des modèles, leur intégration dans les processus opérationnels. Un chapitre est consacré à une étude de cas complète de credit scoring, de l’exploration des données jusqu’à l’élaboration de la grille de score." |
| Note de contenu : |
1. Panorama du data mining et de la data science. 2. Le déroulement d’une étude de data mining. 3. L’exploration et la préparation des données. 4. L’utilisation des données commerciales et géodémographiques. 5. Les logiciels de statistique, de data mining et machine learning. 6. Panorama des méthodes de statistique et de data mining. 7. L’analyse factorielle. 8. Les réseaux de neurones artificiels. 9. Les méthodes de classification automatique. 10. La détection des règles d’associations. 11. Les méthodes de classement et de régression. 12. L’analyse discriminante linéraire et ses généralisations. 13. Le modèle linéaire et ses généralisations. 14. Le modèle logistique et ses généralisations. 15. Les arbres de décisions. 16. Les autres modèles prédictifs. 17. Les méthodes d’agrégation de modèles. 18. Une application du data mining : le scoring. 19. Les facteurs de succès d’un projet de data mining. 20. Le text mining. 21. Le web mining. Annexes. Bibliographie. Index. |
|  |
Affiner la recherche Interroger des sources externes
