Formation Maîtriser la Data Science avec Python et Scikit-learn

01.Introduction à la Data Science et Python pour le Machine Learning

• —Comprendre les fondations de la Data Science
• —Installer et configurer l'environnement Python (Anaconda, Jupyter)
• —Révision des bases de Python pour l'analyse de données (Numpy, Pandas)

02.Manipulation de Données avec Pandas I : Acquisition et Nettoyage

• —Importation de données (CSV, Excel, bases de données)
• —Exploration initiale des jeux de données (shape, info, describe)
• —Gestion des valeurs manquantes et types de données

03.Manipulation de Données avec Pandas II : Transformation et Agrégation

• —Filtrage, sélection et tri des données
• —Opérations de groupement et agrégation (groupby, pivot_table)
• —Fusion et jointure de DataFrames

04.Visualisation de Données avec Matplotlib et Seaborn

• —Utiliser Matplotlib pour des tracés basiques (histogrammes, scatters)
• —Créer des visualisations avancées avec Seaborn (distributions, corrélations)
• —Interpréter les graphiques pour l'exploration de données

05.Préparation des Données pour le Machine Learning avec Scikit-learn

• —Encodage des variables catégorielles (OneHotEncoder, LabelEncoder)
• —Normalisation et standardisation des données (StandardScaler, MinMaxScaler)
• —Séparation des jeux de données (train_test_split)

06.Régression Linéaire et Logistique avec Scikit-learn

07.Algorithmes de Classification : K-NN et SVM

• —Comprendre le fonctionnement de K-Nearest Neighbors (K-NN)
• —Appliquer les Support Vector Machines (SVM)
• —Évaluation des performances de K-NN et SVM

08.Arbres de Décision et Forêts Aléatoires

09.Évaluation des Modèles de Machine Learning

• —Métriques d'évaluation pour la classification (précision, rappel, F1-score, AUC)
• —Métriques d'évaluation pour la régression (RMSE, MAE, R²)
• —Matrices de confusion et courbes ROC

10.Techniques d'Optimisation des Hyperparamètres

• —Validation croisée (Cross-validation)
• —Recherche de grille (Grid Search)
• —Recherche aléatoire (Random Search)

11.Introduction au Clustering (Apprentissage Non Supervisé)

12.Pipeline complet de Machine Learning et déploiement basique

• —Construire un pipeline de Machine Learning de bout en bout
• —Sauvegarder et charger des modèles
• —Présentation des premières étapes de déploiement d'un modèle