Programme Big Data Analytics avec Python
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.
Les objectifs
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.