Référence au contenu vraiment intéressant et structuré.
Programmable avec Visual Code à partir d’un fichier vide! Du Python pure!
Problématique d’apprentissage: il utilise fréquemment l’instruction « assert » pour vérifier l’efficacité et le contenu des scripts, des comparaisons logiques, mais non au résultat évident… J’ai dû modifier les « assert » par des « print » pour vois les contenus…
De plus, il utilise pour les fonctions graphiques statistiques la librairie mathplotlib.pyplot qui provoque souvent des erreurs… 😦
Code source disponible sur GitHub:
https://github.com/joelgrus/data-science-from-scratch
L’introduction est passionnante! Motivante!
Mise en situation:
It’s your first day on the job at DataSciencester, and the VP of Networking is full of
questions about your users. Until now he’s had no one to ask, so he’s very excited to
have you aboard.
In particular, he wants you to identify who the “key connectors” are among data sci‐
entists. To this end, he gives you a dump of the entire DataSciencester network. (In
real life, people don’t typically hand you the data you need. Chapter 9 is devoted to
getting data.)
Trucs en langage Python
Algèbre Linéaire
Statistiques
On y retrouve des chapitres sur les sujets suivants, mais sans grande nouveauté:
- Probabilité
- Statistiques
- Test d’hypothèses et inférences statistiques
- Gestion de fichiers
Machine Learning
L’exemple qui sépare en 2 (split data) est vraiment bien expliqué!
Correctness
k-Nearest Neighbors
Naive Bayes
Simple Linear Regression
Multiple Regression
Logistic Regression
Support Vector Machines
Decision Trees
Random Forests
Neural Networks
Backpropagation
Deep Learning
MNIST: is a dataset of handwritten digits that everyone uses to learn deep learning.
Domaines d'études 