Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
R POUR LES DATA SCIENCES - IMPORTER, CLASSER, TRANSFORMER, VISUALISER ET MODELISER LES DONNEES
EAN : 9782212675719
Paru le : 16 août 2018
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9782212675719
- Réf. éditeur : 869040
- Collection : BLANCHE
- Editeur : Eyrolles
- Date Parution : 16 août 2018
- Disponibilite : Epuisé
- Barème de remise : NS
- Nombre de pages : 478
- Format : 2.50 x 19.00 x 23.00 cm
- Poids : 866gr
- Interdit de retour : Retour interdit
-
Résumé :
Les data sciences constituent une discipline fascinante, qui vous servira à transformer des données brutes en idées et connaissances
aisément compréhensibles. L'objectif de ce livre est de vous aider à maîtriser les outils essentiels qui vous permettront d'utiliser R dans la pratique des data sciences. Après l'avoir lu, vous pourrez faire face à la plupart des situations que vous rencontrerez dans vos projets, en exploitant au mieux les fonctionnalités de R.Mais avant de devenir un expert en R, vous devrez tout d'abord importer vos données, c'est-à-dire les lire, en général depuis un fichier, une base de données ou une API web, et les charger dans un cadre de données dans R. Si vous ne pouvez pas transférer vos données dans R, vous ne pourrez pas les analyser ! Une fois vos données importées, vous gagnerez beaucoup à les ranger. Une fois vos données rangées, vous passerez bien souvent par une étape de transformation. Une fois vos données rangées avec les variables dont vous avez besoin, la génération de connaissances reposera principalement sur deux moteurs : la visualisation et la modélisation. Leurs forces et faiblesses sont complémentaires, et toute bonne analyse doit tenir compte des deux.
Inutile d'être un programmeur expert pour être un bon analyste de données, mais apprendre à programmer