Programme Big Data Analytics avec Python

Participants :
Responsables Infocentre (Datamining, Marketing, Qualité...), utilisateurs et gestionnaires métiers de bases de données.

Durée : 4 jours - 28 heures
Tarif : Nous contacter pour une formation INTER – INTRA ou en COURS PARTICULIER

La formation est délivrée en présentiel ou distanciel (e-learning, classe virtuelle, présentiel et à distance). Le formateur alterne entre méthodes démonstrative, interrogative et active (via des travaux pratiques et/ou des mises en situation). La validation des acquis peut se faire via des études de cas, des quiz et/ou une certification.

Cette formation est animée par un consultant-formateur dont les compétences techniques, professionnelles et pédagogiques ont été validées par des diplômes et/ou testées et approuvées par l’éditeur et/ou par Audit Conseil Formation.

Dates des formations
Du 14/01/2025 au 17/01/2025Demander un devis
Du 18/03/2025 au 21/03/2025Demander un devis
Du 17/06/2025 au 20/06/2025Demander un devis
Du 16/09/2025 au 19/09/2025Demander un devis
Logo ACF

Demande de devis

Formation
Cadre
Pôle Emploi
Nom/Prénom
Société
E-mail
Téléphone
Période
Evaluer mon niveau

Les objectifs

Comprendre
Comprendre
le principe de la modélisation statistique
Choisir
Choisir
entre la régression et la classification en fonction du type de données
Évaluer
Évaluer
les performances prédictives d'un algorithme
Créer
Créer
des sélections et des classements dans de grands volumes de données pour dégager des tendances

pré-requis

Connaissances de base en Python. Connaissances de base en statistiques

Moyens pédagogiques, techniques et d'encadrement

  • 1 poste de travail complet par personne
  • De nombreux exercices d'application
  • Mise en place d'ateliers pratiques
  • Remise d'un support de cours
  • Remise d'une attestation de stage

Modalités d'évaluation des acquis

- Evaluation des besoins et objectifs en pré et post formation
- Evaluation technique des connaissances en pré et post formation
- Evaluation générale du stage

Accessibilité handicapés

  • Au centre d’affaires ELITE partenaire d’ACF à 20 m.
  • Guide d’accessibilité à l’accueil.

Le Programme

Introduction à la modélisation

Introduction au langage Python.
Introduction au logiciel Jupiter Notebook.
Les étapes de construction d'un modèle.
Les algorithmes supervisés et non supervisés.
Le choix entre la régression et la classification.

Procédures d'évaluation de modèles

Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
Test de représentativité des données d'apprentissage.
Mesures de performance des modèles prédictifs.
Matrice de confusion, de coût et la courbe ROC et AUC.

Les algorithmes supervisés

Le principe de régression linéaire univariée.
La régression multivariée.
La régression polynomiale.
La régression régularisée.
Le Naive Bayes.
La régression logistique.

Les algorithmes non supervisés

Le clustering hiérarchique.
Le clustering non hiérarchique.
Les approches mixtes.

Analyse en composantes

Analyse en composantes principales.
Analyse factorielle des correspondances.
Analyse des correspondances multiples.
Analyse factorielle pour données mixtes.
Classification hiérarchique sur composantes principales.

Analyse de données textuelles

Collecte et prétraitement des données textuelles.
Extraction d'entités primaires, d'entités nommées et résolution référentielle.
Étiquetage grammatical, analyse syntaxique, analyse sémantique.
Lemmatisation.
Représentation vectorielle des textes.
Pondération TF-IDF.
Word2Vec.