Formation Formation Big Data et Data Science avec Python

01.Introduction au Big Data et à la Data Science

• —Définition et enjeux du Big Data et de la Data Science
• —Concepts fondamentaux : Volume, Vélocité, Variété, Véracité, Valeur
• —Rôles et responsabilités du Data Scientist et de l'Ingénieur Big Data
• —Cycle de vie typique d'un projet data
• —Vue d'ensemble des outils et technologies clés de l'écosystème

02.Bases de Python pour la Data Science

• —Installation et environnement de développement (Anaconda, Jupyter)
• —Types de données et structures de contrôle (boucles, conditions)
• —Fonctions et modules en Python
• —Introduction aux bibliothèques clés : NumPy pour le calcul numérique
• —Premières manipulations de données avec NumPy

03.Manipulation de Données avec Pandas

• —Introduction aux DataFrames et Series de Pandas
• —Chargement et exploration de données (CSV, Excel)
• —Indexation, sélection et filtrage de DataFrames
• —Traitement des données manquantes et duplicats
• —Jointures, regroupements et agrégations de données

04.Nettoyage et Préparation des Données

05.Visualisation de Données avec Matplotlib et Seaborn

• —Principes de bonne visualisation de données
• —Création de graphiques statistiques basiques avec Matplotlib (histogrammes, nuages de points)
• —Visualisations avancées avec Seaborn (boîtes à moustaches, cartes de chaleur)
• —Personnalisation des graphiques (titres, étiquettes, légendes)
• —Interprétation des visualisations pour la prise de décision

06.Algorithmes de Machine Learning Supervisé (1/2)

• —Introduction au Machine Learning : apprentissage supervisé vs non supervisé
• —Régression Linéaire : théorie, entraînement et interprétation
• —K-plus proches voisins (KNN) pour la classification et la régression
• —Mesures d'évaluation pour la régression (MAE, MSE, R²)
• —Application pratique avec scikit-learn

07.Algorithmes de Machine Learning Supervisé (2/2)

• —Régression Logistique pour la classification binaire et multi-classe
• —Arbres de Décision : principe, construction et interprétation
• —Forêts Aléatoires (Random Forests) : amélioration des arbres de décision
• —Mesures d'évaluation pour la classification (précision, rappel, F1-score, courbe ROC)
• —Préparation des données pour ces modèles

08.Algorithmes de Machine Learning Non Supervisé

• —Introduction au clustering : découvrir des structures cachées
• —Algorithme K-Means : principe, exécution et interprétation des clusters
• —Introduction à la réduction de dimensionnalité : ACP (Analyse en Composantes Principales)
• —Cas d'usage du clustering et de la réduction de dimensionnalité
• —Évaluation rudimentaire des résultats de clustering

09.Optimisation et Évaluation des Modèles ML

• —Sur-apprentissage (Overfitting) et Sous-apprentissage (Underfitting)
• —Validation croisée (K-fold Cross-Validation) pour une évaluation robuste
• —Recherche d'hyperparamètres : Grid Search et Random Search
• —Pipelines scikit-learn pour automatiser les workflows
• —Rapports d'évaluation complets des modèles

10.Introduction aux Bases de Données NoSQL et Big Data

• —Concepts fondamentaux des bases de données NoSQL (vs SQL)
• —Types de NoSQL : Clé-Valeur, Document, Colonne, Graphe
• —Introduction à Apache Spark pour le traitement distribué
• —Premiers pas avec PySpark : RDDs et DataFrames distribués
• —Cas d'usage des bases NoSQL et de Spark dans le Big Data

11.Déploiement et Mise en Production des Modèles

• —Bonnes pratiques pour un code de production
• —Sérialisation et chargement des modèles (Pickle, Joblib)
• —Création d'une API simple avec Flask pour exposer un modèle
• —Concepts de déploiement (conteneurisation avec Docker - initiation)
• —Monitoring et maintenance rudimentaire des modèles

12.Projet Pratique et Approfondissement

• —Réalisation d'un projet de Data Science de bout en bout
• —Nettoyage, préparation, modélisation et évaluation
• —Utilisation de toutes les compétences acquises
• —Présentation et analyse des résultats du projet
• —Questions-réponses et ressources pour aller plus loin