Programme de la formation
Formation Python Data Science : Maîtriser le machine learning

• Introduction à la Data Science & Environnement Python

  - Définition et enjeux de la Data Science
  - Installation et configuration de Python (Anaconda/Jupyter)
  - Premiers pas avec Jupyter Notebook/Lab
  - Principes du développement collaboratif

• Fondamentaux de Python pour la Data Science

  - Types de données et structures essentielles (listes, dictionnaires, tuples)
  - Variables, opérateurs et boucles
  - Fonctions personnalisées et modules
  - Gestion des erreurs et débogage simple

• Exploration et manipulation des données avec NumPy

  - Introduction aux tableaux N-dimensionnels (ndarray)
  - Opérations vectorisées et diffusion (broadcasting)
  - Indexation, sélection et découpage (slicing)
  - Fonctions mathématiques et statistiques de NumPy

• Analyse de données structurées avec Pandas I

  - Structures de données principales : Series et DataFrame
  - Création et chargement de DataFrames (CSV, Excel)
  - Inspection de données : info(), describe(), head()
  - Sélection et filtrage de lignes/colonnes

• Analyse de données structurées avec Pandas II

  - Traitement des valeurs manquantes (NaN)
  - Opérations sur les données : groupby(), merge(), join()
  - Manipulation de chaînes de caractères et de dates
  - Agrégation et transformation de données

• Préparation des données pour le Machine Learning

  - Nettoyage et uniformisation des données
  - Encodage des variables catégorielles (OneHotEncoder, LabelEncoder)
  - Standardisation et normalisation des features
  - Gestion des outliers et des déséquilibres

• Introduction au Machine Learning avec Scikit-learn

  - Concepts fondamentaux du Machine Learning (supervisé/non supervisé)
  - Cycle de vie d'un projet ML
  - Séparation des données : train_test_split
  - Métriques d'évaluation clés (précision, rappel, F1-score, MSE)

• Modèles de Classification Supervisés
• Modèles de Régression Supervisés
• Introduction à la Visualisation de Données

  - Principes d'une bonne visualisation de données
  - Utilisation de Matplotlib pour les graphiques de base
  - Utilisation de Seaborn pour les visualisations statistiques
  - Création de graphiques explicatifs et exploratoires

• Applications avancées et optimisation des modèles

  - Validation croisée (K-Fold)
  - Réglage des hyperparamètres (GridSearchCV, RandomizedSearchCV)
  - Pipeline Scikit-learn pour l'automatisation
  - Sauvegarde et chargement de modèles

• Projet Pratique de Machine Learning de A à Z

  - Définition d'une problématique Data Science
  - Collecte et nettoyage d'un jeu de données réel
  - Entraînement et évaluation de plusieurs modèles
  - Présentation et interprétation des résultats finaux