Data Engineering Foundations: Techniques Essentielles pour l'Analyse de Données avec Pandas, NumPy et Scikit-Learn (French Edition)

Ce livre offre un accès gratuit à notre plateforme d'apprentissage en ligne, qui comprend :

🟩 Dépôt de code gratuit avec tous les blocs de code utilisés dans ce livre
🟩 Accès aux chapitres gratuits de toute notre bibliothèque de livres de programmation publiés
🟩 Support client premium gratuit
🟩 Et bien plus encore...

Libérez la puissance de l'ingénierie des données

Les données sont omniprésentes, mais seules les bonnes compétences permettent de transformer des données brutes en informations décisionnelles. Ce guide complet vous aide à maîtriser les compétences essentielles pour nettoyer, transformer et préparer les données pour l'apprentissage automatique et l'analyse. Axé sur la pratique, il vous donne les connaissances et la confiance pour relever les défis réels liés aux données.

Ce que Vous Apprendrez

Les Fondements de l'Ingénierie des Données sont divisés en trois parties complètes, chacune s'appuyant sur la précédente pour fournir une compréhension complète des fondamentaux de l'ingénierie des données :

1. Techniques Essentielles de Préparation et de Manipulation des Données
   • Nettoyage des Données : Apprenez à identifier, gérer et transformer les données manquantes et incohérentes, en vous assurant que vos ensembles de données sont précis et fiables.
   • Manipulation des Données avec Pandas et NumPy : Maîtrisez les techniques de manipulation essentielles : fusion, filtrage, agrégation et remodelage. Les exercices pratiques vous montreront comment optimiser et simplifier les tâches complexes avec Pandas et NumPy.
   • Optimisation de l'Efficacité et des Performances : Comprenez comment gérer de grands ensembles de données de manière efficace en optimisant les performances avec NumPy et en appliquant les meilleures pratiques en matière de manipulation des données.
2. Ingénierie des Caractéristiques pour Améliorer les Performances du Modèle
   • Transformation des Caractéristiques : Explorez les techniques de mise à l'échelle, de normalisation et d'encodage, chacune adaptée pour rendre les données plus appropriées aux modèles d'apprentissage automatique.
   • Gestion des Variables Catégorielles : Découvrez des stratégies pour gérer et encoder les données catégorielles, notamment l'encodage one-hot, l'encodage par cible et l'encodage par fréquence.
   • Création Avancée de Caractéristiques : Apprenez à créer des caractéristiques significatives qui capturent des relations complexes, y compris des caractéristiques polynomiales et des termes d'interaction qui augmentent la puissance prédictive de votre modèle.
3. Nettoyage et Prétraitement des Données pour des Projets du Monde Réel
   • Détection des Valeurs Aberrantes et Gestion des Anomalies : Identifiez et gérez les valeurs aberrantes pour améliorer la qualité des données et la stabilité du modèle.
   • Réduction de la Dimensionnalité : Comprenez la valeur de l'Analyse en Composantes Principales (ACP) et d'autres techniques qui simplifient les données de haute dimensionnalité, les rendant plus gérables sans sacrifier les informations critiques.
   • Construction de Flux de Travail Reproductibles avec les Pipelines de Scikit-Learn : Automatisez et structurez vos étapes de transformation des données en utilisant la puissante fonctionnalité de pipeline de Scikit-Learn, garantissant cohérence et reproductibilité dans les flux de travail de données.

Pour Qui est Ce Livre

Développer des compétences solides en préparation des données en Python en utilisant Pandas, NumPy et Scikit-Learn. Comprendre comment nettoyer, transformer et traiter les données pour l'apprentissage automatique. Développer des flux de travail de données reproductibles et évolutifs pour des applications professionnelles de science des données.