Formation Data Science avec Python : Analyse et prédiction

Programme de la formation
Data Science avec Python : Analyse et prédiction

• Introduction à l'environnement Python pour la Data Science

  - Installer et configurer un environnement de développement Python.
  - Utiliser les librairies NumPy pour la manipulation de tableaux numériques.
  - Appliquer les opérations de base sur les structures de données NumPy.

• Manipulation de données structurées avec Pandas

  - Importer des données depuis divers formats (CSV, Excel) avec Pandas.
  - Manipuler des DataFrames : sélection, filtrage, agrégation.
  - Gérer les valeurs manquantes et les doublons dans un DataFrame.

• Nettoyage et préparation des données

  - Appliquer des techniques de nettoyage de données (gestion des outliers).
  - Effectuer du Feature engineering : création de nouvelles variables.
  - Transformer des variables catégorielles en variables numériques.

• Analyse exploratoire de données (EDA) - Partie 1

  - Calculer des statistiques descriptives avec Pandas.
  - Visualiser des distributions de variables avec Matplotlib.
  - Identifier des corrélations entre variables avec Seaborn.

• Analyse exploratoire de données (EDA) - Partie 2

  - Créer des graphiques avancés (nuages de points, boîtes à moustaches) avec Seaborn.
  - Interpréter les relations entre variables pour l'analyse prédictive.
  - Présenter les résultats de l'EDA de manière synthétique.

• Introduction au Machine Learning et Régression Linéaire

  - Comprendre les principes fondamentaux du Machine Learning supervisé.
  - Construire un modèle de Régression linéaire simple avec Scikit-learn.
  - Interpréter les coefficients d'un modèle de régression linéaire.

• Régression Linéaire Multiple et Évaluation

  - Construire un modèle de Régression linéaire multiple avec Scikit-learn.
  - Évaluer la performance d'un modèle de régression avec le R² et le RMSE.
  - Appliquer la validation croisée pour une évaluation robuste du modèle.

• Introduction à la Classification et Régression Logistique

  - Comprendre les principes de la Classification.
  - Construire un modèle de Régression logistique avec Scikit-learn.
  - Interpréter les probabilités prédites par un modèle logistique.

• Évaluation des modèles de Classification

  - Calculer la précision, le rappel et le score F1 d'un modèle de classification.
  - Utiliser la matrice de confusion pour analyser les erreurs de classification.
  - Appliquer la validation croisée pour évaluer un modèle de classification.

• Optimisation des hyperparamètres et pipelines

  - Optimiser les hyperparamètres d'un modèle avec GridSearchCV.
  - Construire des pipelines de traitement de données et de modélisation.
  - Comparer les performances de différents modèles prédictifs.

• Cas d'usage : Prédiction du prix immobilier

  - Appliquer les techniques de régression pour prédire le prix d'un bien immobilier.
  - Effectuer du Feature engineering spécifique aux données immobilières.
  - Interpréter les facteurs influençant la prédiction du prix.

• Cas d'usage : Classification d'e-mails (spam/non-spam)

  - Appliquer les techniques de classification pour identifier les spams.
  - Préparer des données textuelles pour la modélisation.
  - Évaluer la performance du modèle de classification d'e-mails.