Author : Josué AFOUDA
Publisher :
ISBN 13 :
Total Pages : 288 pages
Book Rating : 4.5/5 (913 download)
Book Synopsis Statistique et Simulation Avec Python : Cours et Exercices Corrigés by : Josué AFOUDA
Download or read book Statistique et Simulation Avec Python : Cours et Exercices Corrigés written by Josué AFOUDA and published by . This book was released on 2021-01-06 with total page 288 pages. Available in PDF, EPUB and Kindle. Book excerpt: Ce livre vous donnera beaucoup de plaisir à réaliser des analyses statistiques avec le langage Python. Il n'est pas du tout comme la plupart des livres de Statistique retrouvés sur le marché qui sont remplis de théories et de formules mathématiques tellement complexes que cela ne donne pas envie de les lire. Mon livre à moi est écrit dans un langage très simple et accessible à tout le monde. Nul besoin d'avoir un Master ou un Doctorat en Mathématiques pour comprendre tous les concepts présentés dans ce livre. Chaque notion est présentée sous forme d'activité résolue avec cas pratique. Le code est écrit de manière très simple avec des commentaires. De plus, des exercices sont glissés après chaque concept introduit pour vous aider à pratiquer au fur à mesure ce que vous apprenez. Tous les exercices sont entièrement résolus au dernier chapitre pour vous aider en cas de blocage. Vous pouvez donc utiliser ce livre en toute autonomie pour apprendre la Statistique avec Python. A travers ce livre, vous apprendrez à :- calculer des mesures de tendance centrale et des mesures de dispersion afin de décrire les données ;- créer et interpréter des graphiques de visualisation des données en utilisant Python ainsi que les librairies Matplotlib et Seaborn ;- effectuer des analyses multivariées afin d'examiner les relations existant entre plusieurs variables ;- penser de manière probabiliste afin de réaliser des inférences statistiques pour tirer des conclusions à partir d'échantillons de données ;- simuler des données afin d'estimer la probabilité d'un événement ;- rééchantilloner les données à l'aide de techniques comme le Bootstrapping et visualiser les échantillons bootstrap ;- calculer les intervalles de confiance des statistiques récapitulatives d'une population ;- identifier, effectuer et interpréter les tests d'hypothèse appropriés à utiliser pour les ensembles de données ;- appliquer des techniques de modélisation statistique aux données (régression linéaire et régression logistique) ;- interpréter les résultats d'une modélisation statistique et évaluer la qualité des modèles ;- comprendre l'apprentissage automatique ainsi que ses différences avec la modélisation statistique ;- construire et évaluer des modèles de Machine Learning (classification et régression).