Catégories
![]() Use when referring to the science of statistics. For collections of statistics, use "statistical data", or more specific descriptor, e.g. "educational statistics", etc.
Statistique
Commentaire :
Use when referring to the science of statistics. For collections of statistics, use "statistical data", or more specific descriptor, e.g. "educational statistics", etc.
Synonyme(s)Statistical methodology Statistical methodsVoir aussi
|



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. Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité GEN000000000004 519.5 TUF Ouvrage Centre de documentation UniLasalle/ Campus Rouen Salle de lecture Disponible
Titre : Introducing statistics Type de document : texte imprimé Auteurs : Graham J. G. Upton ; Ian Cook Mention d'édition : 2nd ed. Editeur : Oxford : Oxford University press Année de publication : 2001 Importance : ix, 470 p. Présentation : ill. Format : 28 cm ISBN/ISSN/EAN : 978-0-19-914801-1 Note générale : Includes index. Previous ed.: 1998. Langues : Anglais (eng) Catégories : Anglais
Manuel scolaire
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 : An updated version to meet the requirements of the new A Level specifications being offered by all the awarding bodies in 2000. Chapters are the same as before but there is extra material within them. Chapter 1 now includes several examples of the graphical comparision of similar data sets.
This chapter includes five new sections and ends with a discussion of the (largely unwanted) characteristics to be expected in real data. Chapter 2 has been augmented by sections on the use of coded values, Bayes' theorem is included in Chapter 4, and the method for determining the distribution of a
simple function of a random variable is now included in Chapter 9. In Chapter 14 there is a new section dealing with properties of regression line estimators and, later, a subsection on nonsense correlation. Some questions have been introduced on sampling in Chapter 3. These questions are somewhat
open-ended, as were a number of existing questions that were not given answers in the first edition. In this edition possible answers are now provided to these questions.Introducing statistics [texte imprimé] / Graham J. G. Upton ; Ian Cook . - 2nd ed. . - Oxford : Oxford University press, 2001 . - ix, 470 p. : ill. ; 28 cm.
ISBN : 978-0-19-914801-1
Includes index. Previous ed.: 1998.
Langues : Anglais (eng)
Catégories : Anglais
Manuel scolaire
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 : An updated version to meet the requirements of the new A Level specifications being offered by all the awarding bodies in 2000. Chapters are the same as before but there is extra material within them. Chapter 1 now includes several examples of the graphical comparision of similar data sets.
This chapter includes five new sections and ends with a discussion of the (largely unwanted) characteristics to be expected in real data. Chapter 2 has been augmented by sections on the use of coded values, Bayes' theorem is included in Chapter 4, and the method for determining the distribution of a
simple function of a random variable is now included in Chapter 9. In Chapter 14 there is a new section dealing with properties of regression line estimators and, later, a subsection on nonsense correlation. Some questions have been introduced on sampling in Chapter 3. These questions are somewhat
open-ended, as were a number of existing questions that were not given answers in the first edition. In this edition possible answers are now provided to these questions.Réservation
Réserver ce documentExemplaires (2)
Code-barres Cote Support Localisation Section Disponibilité GEN000000000379 519.5 UPT Ouvrage Centre de documentation UniLasalle/ Campus Rouen Salle de lecture Disponible GEN000000000380 519.5 UPT Ouvrage Centre de documentation UniLasalle/ Campus Rouen Salle de lecture Sorti jusqu'au 15/07/2019
Titre : Practical statistics for data scientists : 50 essential concepts / Type de document : texte imprimé Auteurs : Peter C. Bruce ; Andrew Bruce Mention d'édition : First edition. Année de publication : 2017 Importance : xvi, 298 pages Présentation : illustrations Format : 24 cm ISBN/ISSN/EAN : 978-1-4919-5296-2 Langues : Anglais (eng) Catégories : Analyse de données
Anglais
Manuel scolaire
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 : "Statistical methods are a key part of of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various statistical methods to data science, tells you how to avoid their misuse, and gives you advice on what's important and what's not.
Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If you’re familiar with the R programming language, and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format.
With this book, you’ll learn:
Why exploratory data analysis is a key preliminary step in data science
How random sampling can reduce bias and yield a higher quality dataset, even with big data
How the principles of experimental design yield definitive answers to questions
How to use regression to estimate outcomes and detect anomalies
Key classification techniques for predicting which categories a record belongs to
Statistical machine learning methods that “learn” from data
Unsupervised learning methods for extracting meaning from unlabeled data"Practical statistics for data scientists : 50 essential concepts / [texte imprimé] / Peter C. Bruce ; Andrew Bruce . - First edition. . - 2017 . - xvi, 298 pages : illustrations ; 24 cm.
ISBN : 978-1-4919-5296-2
Langues : Anglais (eng)
Catégories : Analyse de données
Anglais
Manuel scolaire
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 : "Statistical methods are a key part of of data science, yet very few data scientists have any formal statistics training. Courses and books on basic statistics rarely cover the topic from a data science perspective. This practical guide explains how to apply various statistical methods to data science, tells you how to avoid their misuse, and gives you advice on what's important and what's not.
Many data science resources incorporate statistical methods but lack a deeper statistical perspective. If you’re familiar with the R programming language, and have some exposure to statistics, this quick reference bridges the gap in an accessible, readable format.
With this book, you’ll learn:
Why exploratory data analysis is a key preliminary step in data science
How random sampling can reduce bias and yield a higher quality dataset, even with big data
How the principles of experimental design yield definitive answers to questions
How to use regression to estimate outcomes and detect anomalies
Key classification techniques for predicting which categories a record belongs to
Statistical machine learning methods that “learn” from data
Unsupervised learning methods for extracting meaning from unlabeled data"Exemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité GEN000000001068 519.5 BRU Ouvrage Centre de documentation UniLasalle/ Campus Rouen Salle de lecture Exclu du prêt