Big Data et Machine Learning: Les concepts et les outils de la data science - Couverture souple

Lemberger, Pirmin; Batty, Marc; Morel, Médéric; Raffaëlli, Jean-Luc

Couverture souple

ISBN 10 : 2100754637 ISBN 13 : 9782100754632

Editeur : Dunod, 2016

Synopsis

Le Big Data s'est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l'exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc. Ce livre est un guide pour comprendre les enjeux d'un projet Big Data, en appréhender les concepts sous-jacents (en particulier le machine learning) et acquérir les compétences nécessaires à la mise en place d'un data lab. Il combine la présentation de notions théoriques (traitement statistique des données, calcul distribué...), d'outils (écosystème Hadoop, Storm...) et d'exemples de machine learning ; Cette deuxième édition comporte des ajouts sur le deep learning et les réseaux de neurones, ainsi que des compléments et des mises à jour sur les moteurs de recommandations et Spark. Les compléments en ligne seront enrichis de nouveaux jeux de données pour un début de mise en pratique.

A propos du livre

Présentation de l'éditeur

Cet ouvrage s’adresse à tous ceux qui cherchent à tirer parti de l’énorme potentiel des « technologies Big Data », qu’ils soient data scientists, DSI, chefs de projets ou spécialistes métier.
Le Big Data s’est imposé comme une innovation majeure pour toutes les entreprises qui cherchent à construire un avantage concurrentiel grâce à l’exploitation de leurs données clients, fournisseurs, produits, processus, machines, etc.
Mais quelle solution technique choisir ? Quelles compétences métier développer au sein de la DSI ?
Ce livre est un guide pour comprendre les enjeux d’un projet Big Data, en appréhender les concepts sous-jacents (en particulier le Machine Learning) et acquérir les compétences nécessaires à la mise en place d’un data lab.
Il combine la présentation :
• de notions théoriques (traitement statistique des données, calcul distribué...) ;
• des outils les plus répandus (écosystème Hadoop, Storm...) ;
• d’exemples d’applications ;
• d’une organisation typique d’un projet de data science.
Cette deuxième édition est complétée et enrichie par des mises à jour sur les réseaux de neurones et sur le Deep Learning ainsi que sur Spark.

Biographie de l'auteur

Docteur en physique théorique reconverti dans l'IT depuis une quinzaine d'années il est aujourd'hui data scientist, directeur scientifique chez Weave Business Technology. Spécialiste du Machine Learning il s'intéresse  actuellement au NLP (Natural Language Processing).

Cofondateur de Dataiku, plateforme de développement et d’exécution d’applications prédictives.

Cofondateur et CEO de Mapwize, une plateforme de cartographie indoor. Il est auteur de cinq ouvrages chez Dunod.

Directeur de projets stratégiques au sein de la DSI du groupe La Poste. Il contribue aux différentes déclinaisons SI de la stratégie Business du groupe.

Détails de l'édition

• Éditeur: Dunod
• Date d'édition: 2016
• ISBN 10: 2100754637
• ISBN 13: 9782100754632
• Reliure: Broché
• Langue: français
• Numéro d'édition: 2
• Nombre de pages: 255