Formation Maîtriser la Data Science avec Python et Scikit-learn

Programme de la formation
Maîtriser la Data Science avec Python et Scikit-learn

• Introduction à la Data Science et au Big Data

  - Définition et enjeux de la Data Science et du Big Data.
  - Rôles et responsabilités du Data Scientist.
  - Cycle de vie d'un projet Data Science (CRISP-DM).

• Fondamentaux de Python pour la Data Science

  - Rappels sur les structures de données Python (listes, dictionnaires).
  - Manipulation des fonctions et modules.
  - Bonnes pratiques de codage Python.

• Pandas pour la manipulation de données

  - Introduction aux DataFrames et Series.
  - Opérations de sélection, filtrage et agrégation.
  - Gestion des valeurs manquantes et des doublons.

• NumPy pour l'algèbre linéaire

  - Manipulation des tableaux N-dimensionnels (ndarrays).
  - Opérations vectorielles et matricielles.
  - Utilisation de NumPy pour le calcul scientifique.

• Visualisation de données avec Matplotlib et Seaborn

  - Création de graphiques basiques (histogrammes, nuages de points).
  - Personnalisation des visualisations.
  - Exploration des données par l'image.

• Introduction au Machine Learning avec Scikit-learn

  - Concepts fondamentaux du Machine Learning (supervisé, non-supervisé).
  - Principes de l'apprentissage et de la généralisation.
  - Aperçu des principales familles d'algorithmes.

• Préparation des données pour le Machine Learning

  - Normalisation et standardisation des features.
  - Encodage des variables catégorielles (One-Hot, Label Encoding).
  - Réduction de dimensionnalité (PCA).

• Apprentissage supervisé : Régression

  - Modèles de régression linéaire et polynomiale.
  - Évaluation des modèles de régression (MSE, R²).
  - Prédiction de valeurs continues.

• Apprentissage supervisé : Classification

  - Modèles de régression logistique, arbres de décision.
  - Évaluation des modèles de classification (Précision, Rappel, F1-score).
  - Prédiction de catégories.

• Validation et Optimisation de Modèles

  - Cross-validation pour l'évaluation robuste.
  - Recherche d'hyperparamètres (Grid Search, Random Search).
  - Gestion du sur-apprentissage et du sous-apprentissage.

• Apprentissage non supervisé et Clustering

  - Introduction au clustering (K-Means).
  - Analyse de la segmentation.
  - Interprétation des résultats de clustering.

• Déploiement et cas d'usage pratiques

  - Pipelines de Machine Learning avec Scikit-learn.
  - Introduction au déploiement de modèles.
  - Étude de cas concrets et exemples applicatifs.
  ### Compétences Acquired