Formation Formation Data Scientist Bootcamp : Devenez Expert en Intelligence Artificielle et Analyse

Programme de la formation
Formation Data Scientist Bootcamp : Devenez Expert en Intelligence Artificielle et Analyse

• Introduction à la Science des Données et Environnement Python

  - Définition et rôles du Data Scientist.
  - Installation et configuration de l'environnement Python (Anaconda, Jupyter).
  - Bases de Python pour la Data Science (variables, boucles, fonctions).

• Manipulation de Données avec Pandas

  - Importation et exportation de données (CSV, Excel).
  - DataFrames et Series : sélection, filtrage, tri.
  - Gestion des valeurs manquantes et des doublons.

• Nettoyage et Préparation des Données
• Visualisation de Données avec Matplotlib et Seaborn

  - Types de graphiques (histogrammes, nuages de points, boîtes à moustaches).
  - Personnalisation des visualisations.
  - Création de tableaux de bord simples.

• Fondamentaux du Machine Learning (ML)

  - Introduction au ML : supervision, non supervision, renforcement.
  - Concepts clés : features, labels, entraînement, test.
  - Évaluation des modèles : précision, rappel, F1-score.

• Régression Linéaire et Logistique
• Algorithmes de Classification Clés

  - K-plus proches voisins (KNN).
  - Arbres de décision et forêts aléatoires.
  - Machines à vecteurs de support (SVM).

• Clustering (Apprentissage Non Supervisé)

  - Algorithme K-Means pour la segmentation.
  - Mesures d'évaluation de clustering (silhouette score).
  - Cas d'usage du clustering.

• Introduction au Traitement du Langage Naturel (NLP)

  - Tokenisation, lemmatisation, racinisation.
  - Bag of Words et TF-IDF.
  - Analyse de sentiments simple.

• Pipelines ML et Optimisation des Hyperparamètres

  - Création de pipelines de pré-traitement et modélisation.
  - Recherche par grille (GridSearchCV) et aléatoire.
  - Prévention du surapprentissage (overfitting).

• Introduction aux Réseaux de Neurones

  - Neurone artificiel, couches, fonctions d'activation.
  - Réseaux de neurones feed-forward pour la classification.
  - Application avec TensorFlow/Keras (bases).

• Cas Pratiques et Bonnes Pratiques Data Science

  - Étude de cas complète (de la donnée au modèle déployable).
  - Versionnement de code (Git).
  - Éthique et biais en Data Science.