Formation Maîtrisez la Data Science avec Python pour l'analyse de données

01.Introduction à la Data Science et l'écosystème Python

• —Définition et rôle de la Data Science
• —Cycle de vie d'un projet Data Science
• —Présentation de Python pour la Data Science (Anaconda, Jupyter)
• —Installation et configuration de l'environnement Python

02.Fondamentaux de Python pour la Data Science

• —Types de données et variables
• —Structures de contrôle (boucles, conditions)
• —Fonctions et modules
• —Introduction aux bibliothèques clés (NumPy, Pandas)

03.Manipulation de données avec Pandas I : Les bases

• —Introduction aux DataFrames et Series
• —Lecture et écriture de données (CSV, Excel)
• —Indexation et sélection de données
• —Opérations de base (filtrage, tri)

04.Manipulation de données avec Pandas II : Nettoyage et préparation

05.Visualisation des données avec Matplotlib et Seaborn

• —Introduction à la visualisation de données
• —Création de graphiques statistiques basiques (histogrammes, barres, nuages de points)
• —Personnalisation des visualisations
• —Présentation de Seaborn pour des graphiques avancés

06.Statistiques descriptives et exploration des données (EDA)

• —Mesures de tendance centrale et de dispersion
• —Distribution des données
• —Corrélation et causalité
• —Réalisation d'une Analyse Exploratoire de Données (EDA) de bout en bout

07.Introduction au Machine Learning avec Scikit-learn

• —Définition du Machine Learning (ML)
• —Types de ML : supervisé, non supervisé, renforcement
• —Cycle de vie d'un projet ML
• —Présentation de Scikit-learn

08.Apprentissage supervisé I : Régression linéaire

• —Principes de la régression linéaire simple et multiple
• —Préparation des données pour la régression
• —Entraînement et évaluation d'un modèle de régression
• —Interprétation des résultats

09.Apprentissage supervisé II : Classification (KNN, Régression Logistique)

• —Principes de la classification
• —K-Nearest Neighbors (KNN)
• —Régression Logistique
• —Métriques d'évaluation de classification (précision, rappel, F1-score)

10.Techniques d'évaluation et d'optimisation de modèles

• —Entraînement, validation et test sets
• —Cross-validation
• —Métriques d'évaluation avancées (ROC AUC)
• —Sur-apprentissage et sous-apprentissage

11.Cas pratique de Data Science de A à Z

• —Mise en œuvre d'un projet complet sur un dataset réel
• —Acquisition et nettoyage des données
• —Analyse Exploratoire de Données approfondie
• —Construction et évaluation d'un modèle prédictif

12.Préparation à la certification API Society et cas d'usage

• —Révision des concepts clés pour l'examen API Society
• —Exemples de questions type certification
• —Discussion sur les cas d'usage de la Data Science en entreprise
• —Prochaines étapes et ressources pour l'apprentissage continu