Permalien Courriel Export
Livre imprimé
Big data et machine learning : les concepts et les outils de la data science
Auteur
Éditeur Dunod
Année DL 2019
Exemplaires
Notices liées
Notice détaillée
Auteur
Titre
Big data et machine learning : les concepts et les outils de la data science
Édition
3e édition
Éditeur
Description
1 vol. (X-256 p.) : ill., couv. ill. en coul. ; 25 cm
Collection
Notes
Autre contribution : Jean-Luc Raffaëlli (auteur)
Notes bibliogr. et webogr. Index
Sujets
Classification Dewey
658.403 8011
Contenu
Avant-propos ; Première partie - Les fondements du Big Data ; Chapitre 1 - Les origines du Big Data ; 1.1 La perception de la donnée dans le grand public ; 1.2 Des causes économiques et technologiques ; 1.3 La donnée et l'information ; 1.4 La valeur ; 1.5 Les ressources nécessaires ; 1.6 De grandes opportunités ; Chapitre 2 - Le Big Data dans les organisations ; 2.1 La recherche de l'Eldorado ; 2.2 L'avancée par le cloud ; 2.3 La création de la valeur ; 2.4 Les « 3V » du Big Data ; 2.5 Un champ immense d'applications ; 2.6 Exemples de compétences à acquérir ; 2.7 Des impacts à tous les niveaux ; 2.8 Une nécessaire vision d'architecture d'entreprise ; 2.9 « B » Comme Big Data ou Big Brother ? ; Chapitre 3 - Le mouvement NoSQL ; 3.1 Bases relationnelles, les raisons d'une domination ; 3.2 Le dogme remis en question ; 3.3 Les différentes catégories de solutions ; 3.4 Le NoSQL est-il l'avenir des bases de données ? ; Chapitre 4 - L'algorithme MapReduce et le framework Hadoop ; 4.1 Automatiser le calcul parallèle ; 4.2 Le pattern MapReduce ; 4.3 Des exemples d'usage de MapReduce ; 4.4 Le framework Hadoop ; 4.5 Au-delà de MapReduce ; Deuxième partie - Le métier de data scientist ; Chapitre 5 - Le quotidien du data scientist ; 5.1 Data scientist : licorne ou réalité ? ; 5.2 Le data scientist dans l'organisation ; 5.3 Le workflow du data scientist ; Chapitre 6 - Exploitation et préparation de données ; 6.1 Le déluge des données ; 6.2 L'exploration de données ; 6.3 La préparation de données ; 6.4 Les outils de préparation de données ; Chapitre 7 - Le Machine Learning ; 7.1 Qu'est-ce que Le Machine Learning ? ; 7.2 Les différents types de Machine Learning ; 7.3 Les principaux algorithmes ; 7.4 Réseaux de neurones et Deep Learning ; 7.5 Illustrations numériques ; 7.6 Systèmes de recommandation ; Chapitre 8 - La visualisation des données ; 8.1 Pourquoi visualiser l'information ? ; 8.2 Quels graphes pour quels usages ? ; 8.3 Représentation de donnée complexes ; Troisième partie - Les outils du Big Data ; Chapitre 9 - L'écosystème Hadoop ; 9.1 La jungle de l'éléphant ; 9.2 Les composants d'Apache Hadoop ; 9.3 Les principales distributions Hadoop ; 9.4 Spark ou la promesse du traitement Big Data in-memory ; 9.5 Les briques analytiques à venir ; 9.6 Les librairies de calcul ; Chapitre 10 - Analyse de logs avec Pig et Hive ; 10.1 Pourquoi analyser des logs ? ; 10.2 Pourquoi choisir Pig ou Hive ? ; 10.3 La préparation des données ; 10.4 L'analyse des parcours clients ; Chapitre 11 - Les architectures gamma ; 11.1 Les enjeux du temps réel ; 11.2 Rappels sur MapReduce et Hadoop ; 11.3 Les architectures gamma ; Chapitre 12 - Apache Storm ; 12.1 Qu'est-ce que Storm ? ; 12.2 Positionnement et intérêt dans les architectures gamma ; 12.3 Principes de fonctionnement ; 12.4 Un exemple très simple ; Conclusion ; Index
Résumé
La 4e de couv. indique : "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. Les ajouts de cette troisième édition concernent principalement la vision d’architecture d’entreprise, nécessaire pour intégrer les innovations du Big Data au sein des organisations, et le Deep Learning pour le NLP (Natural Language Processing, qui est l’un des domaines de l’intelligence artificielle qui a le plus progressé récemment)".
ISBN
978-2-10-079037-1
Origine de la notice
Abes (SUDOC)
 

inMedia v4.4