Formation Maîtriser la Data Science avec Python pour l'Analyse de Données

01.Introduction à la Data Science & Python

• —Définition et enjeux de la Data Science
• —Installation et configuration de l'environnement Python (Anaconda)
• —Bases de la programmation Python: variables, types, opérateurs
• —Structures de données fondamentales: listes, tuples, dictionnaires, sets

02.Pandas pour la Manipulation de Données

• —Introduction à NumPy pour le calcul numérique
• —Création et manipulation de DataFrames Pandas
• —Indexation, sélection et filtrage de données
• —Gestion des valeurs manquantes et doublons

03.Nettoyage et Préparation des Données

• —Correction des types de données
• —Renommage et réorganisation de colonnes
• —Fusion, jointure et concaténation de DataFrames
• —Transformation et agrégation de données (Group By)

04.Visualisation de Données avec Matplotlib & Seaborn

• —Principes de visualisation de données
• —Création de graphiques basiques avec Matplotlib (lignes, barres, nuages)
• —Visualisation statistique avancée avec Seaborn
• —Personnalisation et export de visualisations

05.Statistiques Descriptives et Inférentielles

• —Mesures de tendance centrale et de dispersion
• —Distribution de probabilité (normale, binomiale)
• —Tests d'hypothèses: t-test, chi-carré
• —Corrélation et causalité

06.Fondamentaux du Machine Learning

• —Introduction aux concepts du Machine Learning (supervisé, non-supervisé)
• —Phases d'un projet ML: entraînement, validation, test
• —Métriques d'évaluation pour la régression et la classification
• —Préparation des données pour le ML: encodage, standardisation

07.Régression Linéaire et Logistique

08.Arbres de Décision et Forêts Aléatoires

• —Fonctionnement et construction des arbres de décision
• —Prévention du sur-apprentissage (élagage)
• —Principes des ensembles (bagging, boosting)
• —Implémentation des Forêts Aléatoires

09.Introduction aux Réseaux de Neurones

• —Comprendre le perceptron et les réseaux de neurones simples
• —Fonctions d'activation et rétropropagation
• —Implémentation de réseaux de neurones avec Scikit-learn
• —Limites et cas d'usage des réseaux simples

10.Machine Learning Non-Supervisé : Clustering

• —Introduction au clustering: K-Means, DBSCAN
• —Choix du nombre de clusters et évaluation
• —Applications du clustering: segmentation client, détection d'anomalies
• —Visualisation et interprétation des clusters

11.Pipeline de Machine Learning & Modélisation Avancée

12.Projet Pratique de Data Science

• —Choix et cadrage d'un projet Data Science
• —Application des connaissances acquises (données, ML, visualisation)
• —Présentation des résultats et de la méthodologie
• —Best practices et points d'amélioration pour de futurs projets