Objectifs pédagogiques
- Identifier les enjeux de la Data Science et de l'IA
- Schématiser le cycle d'un projet Data Science
- Appliquer les meilleures pratiques en matière de nettoyage et de préparation de vos données avant l'analyse
- Modéliser un problème de Data Science.
Niveau requis
Avoir une expérience de codage ou de script préalable est nécessaire. Il est également préférable d'avoir des connaissances de base en statistiques.
Public concerné
Développeurs de logiciels, programmeurs, Data Analysts et/ou statisticiens.
Programme
Introduction à la Data Science
- Qu'est-ce que la Data Science ?
- Différence entre statistiques et la Data Science
- Champs d'application de la Data Science
- Outils et algorithmes pour faire la Data Science
- Les cycles d'un projet Data Science
L'apprentissage automatique
- L'apprentissage
- Automatique dans le passé
- Supervisé
- Non supervisé
- Renforcé
Rappel Python
- Introduction à Python
- Les structures / propriétés / fonctions spéciales
- La programmation orientée objet
- Manipuler les librairies :
- NumPy
- SciPy
- Pandas
- Matplotlib
Les algorithmes de l'apprentissage automatique
- Réduction de la dimensionnalité avec l'analyse des composants principaux (PCA)
- Analyse de régression linéaire, multilinéaire, polynomiale, logistique et régularisation
- Classification supervisée
- Classification non supervisée et régression avec arbres de décision
- Le K-Means clustering
- Le perceptron et le support des machines vectorielles (SVM)
- Réseaux de neurones artificiels
Les indispensables de la Data Science
- Cross-validation
- Les métriques d'évaluation
- Overfitting ou surapprentissage
- Biais vs variance
- Etapes de préparation des données (du nettoyage des données à la compréhension des données)
- Feature Engineering
- Data Visualisation
- Bonnes pratiques
Data Science et le Big Data
- Spark MLlib
Use case
- Mise en place d'un projet Data Science en se basant sur des données réelles
Le contenu de ce programme peut faire l'objet d'adaptation selon les niveaux, prérequis et besoins des apprenants.
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)