Objectifs de formation
A l'issue de cette formation, vous serez capable de :
- 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.
Modalités, méthodes et moyens pédagogiques
Formation délivrée en présentiel ou distanciel* (blended-learning, e-learning, classe virtuelle, présentiel à distance).
Le formateur alterne entre méthode** démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation).
Variables suivant les formations, les moyens pédagogiques mis en oeuvre sont :
- Ordinateurs Mac ou PC (sauf pour certains cours de l'offre Management), connexion internet fibre, tableau blanc ou paperboard, vidéoprojecteur ou écran tactile interactif (pour le distanciel)
- Environnements de formation installés sur les postes de travail ou en ligne
- Supports de cours et exercices
En cas de formation intra sur site externe à M2i, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires (équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué.
* nous consulter pour la faisabilité en distanciel
** ratio variable selon le cours suivi
Prérequis
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
Accessibilité de la formation
Le groupe M2i s'engage pour faciliter l'accessibilité de ses formations. Les détails de l'accueil des personnes en situation de handicap sont consultables sur la page Accueil et Handicap.
Modalités et délais d’accès à la formation
Les formations M2i sont disponibles selon les modalités proposées sur la page programme. Les inscriptions sont possibles jusqu'à 48 heures ouvrées avant le début de la formation. Dans le cas d'une formation financée par le CPF, ce délai est porté à 11 jours ouvrés.