Programme Big Data - Python pour l'analyse de données
Durée : 3 jours - 21 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
Maîtrise de la programmation Python
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
Présentation de l’écosystème Python scientifique
Panorama de l’écosystème scientifique de Python : les librairies incontournables.
Savoir ou trouver de nouvelles librairies et juger de leur pérennité.
Les principaux outils et logiciels open source pour la data science.
Travailler les données avec Python
Le socle scientifique Python : la SciPy Stack.
Les bonnes pratiques pour bien démarrer votre projet de data science avec Python.
Les formats de fichiers scientifiques et les librairies pour les manipuler.
Pandas : l’analyse de données tabulaires (fichiers csv, excel...), statistiques, pivots, filtres, recherche…
Numpy : calcul numérique et algèbre linéaire (les vecteurs, matrices, images).
L’extraction des données,la préparation , le nettoyage.
Introduction à la modélisation
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.