Data science : fondamentaux et études de cas : Machine learning avec Python et R

298 Pages·2015·9.6 MB·French

by  Eric Biernat

Résumé
Nous vivons une époque très excitante, qui ramène l’analyse de données et les
méthodes quantitatives au coeur de la société. L’aboutissement de nombreux projets
de recherche, la puissance de calcul informatique disponible et des données à
profusion permettent aujourd’hui d’incroyables réalisations, grâce au travail des
data scientists.
Un livre de référence pour les data scientists
La data science est l’art de traduire des problèmes industriels, sociaux, scientifi ques, ou
de toute autre nature, en problèmes de modélisation quantitative, pouvant être résolus par
des algorithmes de traitement de données. Cela passe par une réfl exion structurée, devant
faire en sorte que se rencontrent problèmes humains, outils techniques/informatiques et
méthodes statistiques/algorithmiques. Chaque projet de data science est une petite
aventure, qui nécessite de partir d’un problème opérationnel souvent fl ou, à une réponse
formelle et précise, qui aura des conséquences réelles sur le quotidien d’un nombre plus
ou moins important de personnes.
Éric Biernat et Michel Lutz proposent de vous guider dans cette aventure. Ils vous feront
visiter les vastes espaces de la data science moderne, de plus en plus présente dans notre
société et qui fait tant parler d’elle, parfois par l’intermédiaire d’un sujet qui lui est
corollaire, les big data.
Des études de cas pour devenir kaggle master
Loin des grands discours abstraits, les auteurs vous feront découvrir, claviers à la main, les
pratiques de leur métier de data scientist chez OCTO Technology, l’un des leaders français
du domaine. Et vous mettrez également la main à la pâte : avec juste ce qu’il faut de
théorie pour comprendre ce qu’impliquent les méthodes mathématiques utilisées, mais
surtout avec votre ordinateur personnel, quelques logiciels gratuits et puissants, ainsi
qu’un peu de réfl exion, vous allez participer activement à cette passionnante exploration !
Au sommaire
Le B.A.-ba du data scientist • Savoir poser un problème de data science • Les outils informatiques • Les
algorithmes et leurs usages : visite guidée • La régression linéaire univariée • La régression linéaire multivariée •
La régression polynomiale • La régression régularisée • Naive Bayes • La régression logistique • Le clustering •
Introduction aux arbres de décision • Random forest • Gradient boosting • Support Vector Machine • La data
science en pratique : au-delà des algorithmes • Évaluer un modèle • Les espaces de grande dimension • Valeurs
manquantes et valeurs aberrantes : généralités • Prédire les survivants du Titanic • Classifi cation automatique de
zones de texte • Qu’est-ce qu’une série temporelle ? L’approche classique • Machine learning et modélisation des
séries temporelles • Un cas pratique de modélisation : rendement d’une colonne de distillation • Clustering de séries
temporelles • Conclusion générale
À qui s’adresse cet ouvrage ?
– Aux développeurs, statisticiens, étudiants et chefs de projets ayant à résoudre des
problèmes de data science.
– Aux data scientists, mais aussi à toute personne curieuse d’avoir une vue d’ensemble de
l’état de l’art du machine learning.
Biographie auteur
É. Biernat
Éric Biernat dirige l’activité Big Data Analytics chez OCTO Technology, l’un des leaders
français sur le marché de la data science et des big data. Il a embrassé le mouvement Big
Data Analytics en 2011 et ne l’a plus lâché depuis, en accompagnant ses clients qui
souhaitent tirer profi t des opportunités offertes par cette science. Kaggle master, Éric
s’illustre régulièrement lors de compétitions de data science et intervient dans de
nombreux cycles de conférences sur la thématique des big data, dans la presse spécialisée
ou auprès de comités exécutifs.
M. Lutz
Suite à un parcours initial en gestion et fi nance, Michel Lutz s’est lancé un nouveau
challenge en soutenant une thèse de doctorat en génie industriel. Durant ses années de
recherche, visant à utiliser des méthodes de mathématiques appliquées dans un contexte
industriel, il a développé une certaine orthodoxie statistique qui a été bien bousculée
lorsqu’il a découvert le monde de la data science. Désormais, il se plonge avec
enthousiasme dans les techniques de machine learning grâce à son activité de consultant
chez OCTO Technology.
www.editions-eyrolles.com
Data science :
fondamentaux
et études de cas
Machine learning avec Python et R
Éric Biernat
Michel Lutz
ÉDITIONS EYROLLES
61, bd Saint-Germain
75240 Paris Cedex 05
www.editions-eyrolles.com
Pour lire les lignes de code, nous vous conseillons de réduire au maximum la police de caractère sur votre support de
lecture.
Attention : la version originale de cet ebook est en couleur, lire ce livre numérique
sur un support de lecture noir et blanc peut en réduire la pertinence et la
compréhension.
En application de la loi du 11 mars 1957, il est interdit de reproduire intégralement ou partiellement le présent ouvrage,
sur quelque support que ce soit, sans l’autorisation de l’Éditeur ou du Centre Français d’exploitation du droit de copie,
20, rue des Grands Augustins, 75006 Paris.
© Groupe Eyrolles, 2015, ISBN : 978-2-212-14243-3
DANS LA MÊME COLLECTION
B. PHILIBERT. – Bootstrap 3 : le framework 100 % web design.
N°14132, 2015, 318 pages.
C. CAMIN. – Développer avec Symfony2.
N°14131, 2015, 474 pages.
S. PITTION, B. SIEBMAN. – Applications mobiles avec Cordova et PhoneGap.
N°14052, 2015, 184 pages.
H. GIRAUDEL, R. GOETTER. – CSS 3 : pratique du design web.
N°14023, 2015, 372 pages.
C. DELANNOY. – Le guide complet du langage C.
N°14012, 2014, 844 pages.
K. AYARI. – Scripting avancé avec Windows PowerShell.
N°13788, 2013, 358 pages.
W. BORIES, O. MIRIAL, S. PAPP. – Déploiement et migration Windows 8.
N°13645, 2013, 480 pages.
W. BORIES, A. LAACHIR, D. THIBLEMONT, P. LAFEIL, F.-X. VITRANT. – Virtualisation du poste de travail Windows 7
et 8 avec Windows Server 2012.
N°13644, 2013, 218 pages.
J.-M. DEFRANCE. – jQuery-Ajax avec PHP.
N°13720, 4e édition, 2013, 488 pages.
L.-G. MORAND, L. VO VAN, A. ZANCHETTA. – Développement Windows 8 - Créer des applications pour le Windows
Store.
N°13643, 2013, 284 pages.
Y. GABORY, N. FERRARI, T. PETILLON. – Django avancé.
N°13415, 2013, 402 pages.
P. ROQUES. – Modélisation de systèmes complexes avec SysML.
N°13641, 2013, 188 pages.
SUR LE MÊME THÈME
M.-R. AMINI. – Apprentissage machine, de la théorie à la pratique.
N°13800, 2015, 272 pages.
M.-R. AMINI, E. GAUSSIER. – Recherche d’information.
N°13532, 2013, 234 pages.
A. CORNUÉJOLS, L. MICLET. – Apprentissage artificiel.
N°12471, 2010, 804 pages.
R. BRUCHEZ. – Les bases de données NoSQL et le Big Data.
N°14155, 2015, 322 pages.
Retrouvez nos bundles (livres papier + e-book) et livres numériques sur
http://izibook.eyrolles.com
Préface
Cela fait maintenant plus de trente ans que je m’adonne à ma passion : comprendre les
secrets de l’intelligence et concevoir des machines et des algorithmes permettant aux
machines d’apprendre, et pas seulement d’être programmées. Ces années ont été
parsemées d’idées fabuleuses et de promesses extraordinaires. Mais nombreux ont été les
échecs et les difficultés à franchir. Ainsi, l’intelligence artificielle (IA) est pendant
longtemps restée confinée à occuper les chercheurs ou à nourrir les fantasmes des
réalisateurs hollywoodiens, avec peu d’impact sur la société.
Mais depuis quelques années, nous vivons une époque de renaissance de l’IA. Un nombre
grandissant de projets de recherche donnent des résultats impressionnants. Mais
contrairement aux progrès passés, ces nouvelles avancées conduisent à des applications
qui sont rapidement disséminées dans l’industrie et parmi un large public.
Ces succès récents de l’IA sont largement dus aux progrès des techniques d’apprentissage
machine, qui permettent à un logiciel d’apprendre automatiquement à partir de données au
lieu d’être explicitement programmé. Ces techniques permettent désormais d’incroyables
réalisations en reconnaissance d’image, compréhension de la parole, traduction
automatique, et compréhension de texte, à travers des applications avec lesquelles
beaucoup d’entre nous interagissent quotidiennement. Ces progrès sont advenus non
seulement grâce à l’augmentation de la puissance de calcul des machines et la
disponibilité de grandes quantités de données, mais aussi grâce à l’adoption de nouvelles
méthodes d’apprentissage machine. En tête de ces nouvelles méthodes se trouve ce qu’on
appelle le deep learning ou apprentissage profond, que l’on peut voir comme une version
rajeunie des réseaux de neurones artificiels tombés aux oubliettes dans les années 90, faute
de données et d’ordinateurs puissants.
Ces réalisations nous concernent tous. Désormais convaincus par les bénéfices qu’elles
peuvent en tirer, les entreprises deviennent de grandes consommatrices d’algorithmes
d’IA, utilisés pour améliorer leurs processus de prise de décision. Elles remplacent leurs
modèles statistiques par ces approches d’apprentissage profond plus performantes.
Le grand public lui-même est directement touché. Chaque utilisateur Facebook, Google ou
Twitter par exemple, utilise des services issus de l’IA à chaque fois qu’il enrichit son
compte utilisateur. Aux États-Unis, chacune des centaines de millions de photos postées
sur Facebook est passée au crible d’un réseau convolutif, un modèle d’apprentissage
profond, qui va reconnaître automatiquement les objets contenus dans l’image, afin de
montrer aux utilisateurs des images susceptibles de l’intéresser.
Sans doute, cette tendance va aller en s’accélérant, alimentée par des progrès scientifiques
et technologiques qui ne sont pas près de s’arrêter, alimentés par les investissements
considérables des organismes de rechercher et des grandes compagnies dans l’IA,
l’apprentissage machine, et l’apprentissage profond.
Ce livre donne un ensemble de clés à toute personne désireuse de s’initier sérieusement à
l’apprentissage machine. Pour s’en approprier les fondamentaux, un savant cocktail
scientifique et technique est nécessaire : des bases scientifiques et mathématiques d’une
part, des compétences en informatique et en programmation de l’autre. Il faut ajouter à
cela de réelles capacités d’analyse et de créativité, pour comprendre les enjeux
d’application et traduire des problèmes humains en problèmes de modélisation
quantitative.
Beaucoup d’entreprises, dont Facebook, recherchent des chercheurs et ingénieurs ayant
ces multiples talents. Ce livre, original dans son style et son contenu, peut vous aider à les
développer. Après l’avoir lu, vous disposerez d’une solide connaissance des méthodes de
machine learning les plus répandues aujourd’hui dans la majorité des applications grand
public et professionnelles, des plus simples aux plus avancées. Vous en connaîtrez les
principes, exposés de façon accessible et décontractée, sans pour autant que soit sacrifiée
la rigueur scientifique.
L’un des autres atouts de ce livre est qu’il s’appuie sur l’expérience concrète d’Eric et de
Michel. Par leur approche terrain du machine learning, ils peuvent partager des exemples
issus de la vie réelle, des conseils pratiques de mise en œuvre, des garde-fous, du code
directement utilisable. En ce sens, ce livre est un bon complément aux ouvrages
académiques plus théoriques que vous pourrez trouver par ailleurs sur le sujet.
Si je dois lui faire un reproche, c’est qu’il ne parle pas de deep learning, mon domaine de
recherche privilégié. Même s’il est vrai que les champs d’applications concrets du deep
learning sont encore très spécialisés, je suis convaincu qu’ils vont se généraliser dans les
années à venir. Eric, Michel, je compte sur vous pour en parler dans la 2e édition de ce
livre !
Yann LeCun,
Directeur de Facebook Artificial Intelligence Research
Professeur à New York University
Table des matières
Avant-propos
Pourquoi ce livre ?
À qui s’adresse-t-il ?
Qui sont les auteurs ?
Comment lire ce livre ?
Remerciements
Références
PREMIÈRE PARTIE
Le B.A.-ba du data scientist
CHAPITRE 1
Savoir poser un problème de data science
Introduction
Préliminaire : qu’est-ce que le machine learning ?
Au commencement était la donnée…
Un prérequis indispensable
Que sont les données ?
Les principaux types de données
D’où viennent les données ?
Les algorithmes : pour faire quoi ?
Sous les données, des liens… plus ou moins certains !
Une taxinomie des algorithmes
Algorithmes supervisés et non supervisés
Algorithmes de régression et de classification
Pour les plus curieux
Algorithmes et structures de données
Représentation matricielle des données
Que font les algorithmes ?
Références
CHAPITRE 2
Les outils informatiques
Quels logiciels ?
Quel environnement de travail ?
Références
DEUXIÈME PARTIE
Les algorithmes et leurs usages : visite guidée
Sous-partie 1
Les basiques du data scientist
CHAPITRE 3
La régression linéaire univariée
Introduction
Définition de la fonction hypothèse
Qui dit approximation dit erreur
Minimiser la fonction de coût
Références
CHAPITRE 4
La régression linéaire multivariée
Introduction
Le modèle en détail
Normalisation
Résolution analytique
Références
CHAPITRE 5
La régression polynomiale
Introduction
Principes généraux de la régression polynomiale
La notion de sur-apprentissage
Le compromis biais-variance
Référence
CHAPITRE 6