Big data et machine learning : les concepts et les outils de la data science
Enregistré dans:
| Auteur principal: | |
|---|---|
| Autres auteurs: | , , |
| Support: | Livre |
| Langue: | Français |
| Publié: |
Malakoff :
Dunod,
DL 2019.
|
| Édition: | 3e édition. |
| Collection: | InfoPro. Management des systèmes d'information
|
| Sujets: | |
| Autres localisations: | Voir dans le Sudoc |
| 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, etc. Il a en outre permis l'émergence des techniques d'apprentissage automatique (Machine Learning, Deep Learning) qui ont relancé le domaine de l'intelligence artificielle. 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 et acquérir les compétences nécessaires à la mise en place d une architecture d'entreprise adaptée. Il combine la présentation : de notions théoriques (traitement statistique des données, calcul distribué...) ; des outils les plus répandus ; d exemples d applications, notamment en NLP (Natural Language Processing) ; d une organisation typique d un projet de data science." |
Table des matières:
- 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 Lambda
- 11.1 Les enjeux du temps réel
- 11.2 Rappels sur MapReduce et Hadoop
- 11.3 Les architectures Lambda
- Chapitre 12 - Apache Storm
- 12.1 Qu'est-ce que Storm ?
- 12.2 Positionnement et intérêt dans les architectures Lambda
- 12.3 Principes de fonctionnement
- 12.4 Un exemple très simple
- Conclusion
- Index