Normal view
MARC view
Python pour le data scientist (Record no. 15428)
[ view plain ]
| 000 -Etiquette de la notice | |
|---|---|
| Leader | 04991cam0a2200421 4500 |
| 009 - PPN | |
| ppn | 231720289 |
| 003 - Identifiant de la notice | |
| Identifiant | http://www.sudoc.fr/231720289 |
| 005 - Identifiant de la version | |
| Identifiant | 20250630092525.0 |
| 010 ## - Numéro international normalisé du livre (ISBN) | |
| ISBN | 9782100770755 |
| Qualificatif | br. |
| Disponibilité et/ou prix | 29,90 EUR |
| 073 #1 - EAN | |
| Numéro normalisé | 9782100770755 |
| 099 ## - ESPCI local | |
| Type de document Koha | Ouvrage |
| ID Alexandrie | ALEX30716 |
| 100 ## - Données générales de traitement | |
| Données générales de traitement | 20181116h20182018k y0frey50 ba |
| 101 0# - Langue de la ressource | |
| Langue du texte, de la bande son, etc. | français |
| -- | 639-2 |
| 102 ## - Pays de publication ou de production | |
| Pays de publication | France |
| 105 ## - Zone de données codées : textes, monographies | |
| Données codées sur les monographies textuelles | a a 001yy |
| 106 ## - Zone de données codées : forme de la ressource | |
| Données codées sur la forme de la ressource – Présentation matérielle | r |
| 181 ## - Zone de données codées : Forme de la ressource | |
| Données de liaison entre champs | z01 |
| Autre référentiel utilisé pour coder la forme du contenu | texte |
| Code du référentiel | rdacontent |
| 181 #1 - Zone de données codées : Forme de la ressource | |
| Données de liaison entre champs | z01 |
| Forme du contenu selon l’ISBD sous forme codée | i# |
| Qualificatif(s) du contenu selon l’ISBD sous forme codée | xxxe## |
| 182 ## - Zone de données codées : type de média | |
| Données de liaison entre champs | z01 |
| Autre référentiel utilisé pour coder le type de médiation | sans média |
| Code du référentiel | rdamedia |
| 182 #1 - Zone de données codées : type de média | |
| Données de liaison entre champs | z01 |
| Type de médiation selon l’ISBD sous forme codée | sans média |
| 183 #1 - Zone de données codées : Type de carrière | |
| Données de liaison entre champs | z01 |
| Type de support sous forme codée | nga |
| Code du référentiel | RDAfrCarrier |
| 200 1# - Titre et mention de responsabilité | |
| Titre propre | Python pour le data scientist |
| Complément du titre | des bases du langage au machine learning |
| Première mention de responsabilité | Emmanuel Jakobowicz |
| 214 #0 - Mentions de production, publication, diffusion et manufacture | |
| Lieu de publication, production, distribution/diffusion, fabrication | Malakoff |
| Nom de l’éditeur, du producteur, distributeur/diffuseur, fabricant | Dunod |
| Date de publication, production, distribution/diffusion, fabrication, copyright | DL 2018 |
| 215 ## - Description physique | |
| Type de présentation matérielle et importance matérielle | 1 volume (xi-304 pages) |
| Autres caractéristiques matérielles | illustrations, couverture illustrée en couleur |
| Dimensions | 25 cm |
| 225 2# - Collection | |
| Titre de la collection | InfoPro |
| Titre de partie | Applications métiers |
| ISSN de la collection | 1776-5900 |
| 320 ## - Bibliographies internes/Note d'index | |
| Texte de la note | Bibliographie p. [297]-299. Index |
| 330 ## - Résumé ou extrait | |
| Texte de la note | La 4e de couv. indique : "Si vous vous intéressez au traitement des données avec le langage Python cet ouvrage s'adresse à vous. Que vous soyez débutant en Python ou que vous ayez une expérience significative, il vous apportera les clés pour utiliser ce langage en data science. Ce livre répond à de nombreuses questions sur Python : Comment utiliser Python en data science ? Comment coder en Python ? Comment préparer des données avec Python ? Comment créer des visualisations attractives avec Python ? Comment appliquer des modèles de machine learning et de deep learning avec Python ? Comment passer aux environnements big data ? Vous apprendrez à tirer parti des multiples outils Python tels que Anaconda, IPython, Jupyter, NumPy, Pandas, Matplotlibn Seaborn, Bokeh, Scikit-Learn, Keras, PySpark... pour mettre en place vos traitements." |
| 359 2# - | |
| -- | P. IX |
| -- | Avant-propos |
| -- | Première partie |
| -- | Les fondamentaux du langage Python |
| -- | P. 15 |
| -- | 1 Python, ses origines et son environnement |
| -- | P. 15 |
| -- | 1.1 Histoire, origines et évolution : de la naissance à la version 3.7 |
| -- | P. 18 |
| -- | 1.2 Python vs R vs le reste du monde |
| -- | P. 23 |
| -- | 1.3 Comment développer en Python ? |
| -- | P. 25 |
| -- | 1.4 Les outils pour coder en Python |
| -- | P. 40 |
| -- | 1.5 Les packages pour la data science |
| -- | P. 43 |
| -- | 2 Python from scratch |
| -- | P. 43 |
| -- | 2.1 Principes de base |
| -- | P. 45 |
| -- | 2.2 Les interpréteurs : Python et IPython |
| -- | P. 50 |
| -- | 2.3 La base pour commencer à coder |
| -- | P. 54 |
| -- | 2.4 Les structures (tuples, listes, dictionnaires) |
| -- | P. 59 |
| -- | 2.5 La programmation (conditions, boucles...) |
| -- | P. 63 |
| -- | 2.6 Les fonctions |
| -- | P. 67 |
| -- | 2.7 Les classes et les objets |
| -- | P. 69 |
| -- | 2.8 Les packages et les modules |
| -- | P. 72 |
| -- | 2.9 Aller plus loin |
| -- | Deuxième partie |
| -- | La préparation et la visualisation des données avec Python |
| -- | P. 79 |
| -- | 3 Python et les données (NumPy et Pandas) |
| -- | P. 79 |
| -- | 3.1 La donnée à l'ère de la data science |
| -- | P. 81 |
| -- | 3.2 Les arrays de NumPy |
| -- | P. 95 |
| -- | 3.3 Les objets series et dataframe de Pandas |
| -- | P. 103 |
| -- | 4 La préparation des données et les premières statistiques |
| -- | P. 103 |
| -- | 4.1 Présentation des données |
| -- | P. 108 |
| -- | 4.2 Les outils pour charger les données |
| -- | P. 121 |
| -- | 4.3 Décrire et transformer des colonnes |
| -- | P. 147 |
| -- | 4.4 Extraire des statistiques descriptives |
| -- | P. 151 |
| -- | 4.5 Utilisation du groupby pour décrire des données |
| -- | P. 154 |
| -- | 4.6 Aller plus loin : accélération |
| -- | P. 159 |
| -- | 5 Data visualisation avec Python |
| -- | P. 159 |
| -- | 5.1 Construction de graphiques avec Matplotlib |
| -- | P. 178 |
| -- | 5.2 Seaborn pour des représentations plus élaborées |
| -- | P. 184 |
| -- | 5.3 Quelques bases de cartographie |
| -- | P. 190 |
| -- | 5.4 Les graphiques interactifs avec d'autres packages et outils |
| -- | Troisième partie |
| -- | Python, le machine learning et le big data |
| -- | P. 199 |
| -- | 6 Différentes utilisations du machine learning avec Python |
| -- | P. 199 |
| -- | 6.1 Le machine learning, qu'est-ce que c'est ? |
| -- | P. 202 |
| -- | 6.2 Comment faire du machine learning avec Python |
| -- | P. 205 |
| -- | 6.3 Le processus de traitement en machine learning |
| -- | P. 211 |
| -- | 6.4 L'apprentissage supervisé avec Scikit-Learn |
| -- | P. 238 |
| -- | 6.5 L'apprentissage non supervisé |
| -- | P. 249 |
| -- | 6.6 L'analyse textuelle avec Python |
| -- | P. 258 |
| -- | 6.7 Le deep learning avec Keras |
| -- | P. 271 |
| -- | 7 Python et le big data : tour d'horizon |
| -- | P. 271 |
| -- | 7.1 Est-ce qu'on change tout quand on parle de big data ? |
| -- | P. 272 |
| -- | 7.2 Comment traiter de la donnée massive avec Python |
| -- | P. 273 |
| -- | 7.3 Récupérer des données avec Python |
| -- | P. 276 |
| -- | 7.4 Utilisation d'Apache Spark avec pyspark en Python |
| -- | P. 289 |
| -- | Lexique de la data science |
| -- | P. 293 |
| -- | Mettre en place votre environnement |
| -- | P. 297 |
| -- | Bibliographie |
| -- | P. 301 |
| -- | Index |
| 410 ## - Collection | |
| Identifiant de la notice bibliographique liée | 098177893 |
| 452 ## - autre édition sur un autre support | |
| Identifiant de la notice bibliographique liée | 233360751 |
| 410 ## - Collection | |
| Titre de l'oeuvre | InfoPro. Applications métiers |
| ISSN | 1776-5900 |
| 452 ## - autre édition sur un autre support | |
| Titre de l'oeuvre | Python pour le data scientist |
| Sous-titre ou complément du titre. | des bases du langage au machine learning |
| Première mention de responsabilité | Emmanuel Jakobowicz |
| 606 ## - Sujet - Nom commun | |
| Identifiant de la notice d'autorité | 051626225 |
| Élément d'entrée | Python (langage de programmation) |
| Code du format utilisé | rameau |
| 606 ## - Sujet - Nom commun | |
| Identifiant de la notice d'autorité | 027940373 |
| Élément d'entrée | Apprentissage automatique |
| Code du format utilisé | rameau |
| 606 ## - Sujet - Nom commun | |
| Identifiant de la notice d'autorité | 167193686 |
| Élément d'entrée | Données massives |
| Code du format utilisé | rameau |
| 606 ## - Sujet - Nom commun | |
| Identifiant de la notice d'autorité | 035198222 |
| Élément d'entrée | Exploration de données |
| Code du format utilisé | rameau |
| 676 ## - Classification décimale de Dewey | |
| Indice | 006.31 |
| Édition | 23 |
| Langue de l'édition | fre |
| 700 #1 - Auteur principal | |
| Identifiant de la notice d'autorité | 122309022 |
| Élément d'entrée | Jakobowicz |
| Partie du nom autre que l'élément d'entrée | Emmanuel |
| Dates | 1980-.... |
| Code de fonction | Auteur |
| Perdu | Date de création | Site de rattachement | Site actuel | Localisation | Code à barres | Cote | Exclu du prêt | Type de document Koha |
|---|---|---|---|---|---|---|---|---|
| 30/06/2025 | La bibliothèque de l'ESPCI | La bibliothèque de l'ESPCI | Magasin | IF-094 | IF-094 | Ouvrage |