Traitement en cours...
Fermer la notification

Nous revoilà !

Bienvenu(e) sur votre nouveau side.fr

Afficher la notification

R pour les data sciences

Grolemund Garrett, Wickham Hadley
Date de parution 16/08/2018
EAN: 9782212675719
Disponibilité Pas d'info de disponibilité
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 permet... Voir la description complète
Nom d'attributValeur d'attribut
Common books attribute
ÉditeurEYROLLES
Nombre de pages478
Langue du livreFrançais
AuteurGrolemund Garrett, Wickham Hadley
FormatPaperback / softback
Type de produitLivre
Date de parution16/08/2018
Poids866 g
Dimensions (épaisseur x largeur x hauteur)2,50 x 19,00 x 23,00 cm
Importer, classer, transformer, visualiser et modéliser les données
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