Paris est un livre

Le héros de Tomasz Matkowski pourrait passer pour un névrosé : son visage, trop expressif, ne lui obéit pas ; il redoute les vagins dentés et le trou de la cuvette des cabinets ; son sexe-requin ne cesse de croître et de dévorer ; il envie la peau des autres qui semble les protéger de la peur de la mort et ne supporte pas la promiscuité ; s'il tue un cafard, en vérité c'est comme un homme qu'il écrase... En fait, le héros de Matkowski est d'abord un terrible rêveur en même temps qu'un forcené du réel - un homme sans frontières -, si désespérément exigeant que sous son regard le monde vivant se retourne comme un peau de lapin. Comme ses maîtres Bruno Schulz et Witold Gombrowicz, Tomasz Matkowski est polonais et hanté par l'énigmatique jeu de la vie dont nous n'ignorons pas seulement le dernier mot. Son talent insolite, ravageur, en fait déjà un maître de la nouvelle, du très court récit beau comme une estafilade.

L'objectif de la data science est de répondre à des questions opérationnelles en analysant des données. Dans ce but, le data scientist récupère, stocke, organise, traite une masse d'informations afin d'en tirer de la valeur. Si la data science a acquis une grande renommée dans de nombreux domaines comme la reconnaissance d'images ou la fouille de données sur internet, son utilisation en agriculture et, plus largement dans les sciences environnementales, reste encore limitée. Pourtant, dans ces domaines, le champ des applications possibles est très vaste. Potentiellement, la data science peut être utilisée pour évaluer l'impact des activités humaines sur les risques de pollution et les émissions de gaz à effet de serre, prédire en temps réel les rendements des cultures et la production des systèmes d'élevage, suivre l'évolution de l'usage des sols à partir de données satellitaires, ou prédire l'impact du changement climatique. Ce manuel d'initiation vise à démocratiser l'usage de la data science pour des applications en lien avec l'agriculture et l'environnement. L'ouvrage couvre les principales méthodes couramment utilisées pour la prédiction, la classification et le partitionnement de données. Il comporte à la fois des explications détaillées du fonctionnement de chaque méthode, une description de codes R et Python permettant leur utilisation pratique, et des exemples d'applications concrètes en lien avec les sciences agricoles et environnementales.