Formation Formation Big Data et Data Science avec Python

Programme de la formation
Formation Big Data et Data Science avec Python

• 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

• 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

• 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

• Nettoyage et Préparation des Données
• 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

• 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

• 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

• 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

• 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

• 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

• 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

• 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