Formation Devenez Data Scientist : Maîtrisez l'analyse de données à temps partiel

01.Introduction à la Science des Données et Rôles du DS

• —Définition de la Science des Données et ses applications
• —Le cycle de vie d'un projet Data Science
• —Rôles et responsabilités du Data Scientist
• —Éthique et biais en Data Science

02.Fondamentaux de Python pour la Data Science

• —Installation environnement (Anaconda, Jupyter)
• —Types de données et structures Python (listes, dictionnaires)
• —Opérations de base et boucles
• —Fonctions et modules

03.Numpy et Pandas : Manipulation de Données

• —Introduction à Numpy (tableaux multidimensionnels)
• —Opérations vectorielles avec Numpy
• —Introduction à Pandas (Series, DataFrames)
• —Sélection et filtrage de données avec Pandas

04.Nettoyage et Préparation des Données

• —Gestion des valeurs manquantes (imputation, suppression)
• —Détection et traitement des outliers
• —Transformation des données (normalisation, standardisation)
• —Encodage des variables catégorielles

05.Visualisation de Données avec Matplotlib/Seaborn

• —Introduction à Matplotlib pour des graphiques simples
• —Utilisation de Seaborn pour des visualisations statistiques
• —Types de graphiques (histogrammes, nuages de points, boxplots)
• —Techniques de storytelling par la visualisation

06.Statistiques Descriptives et Inférentielles Basiques

• —Mesures de tendance centrale et de dispersion
• —Distributions de probabilité courantes
• —Tests d'hypothèses initiaux (t-tests, chi-carré)
• —Corrélation et causalité

07.Introduction à l'Apprentissage Automatique

• —Concepts fondamentaux (supervisé, non supervisé, renforcement)
• —Entraînement, validation et test de modèles
• —Métriques d'évaluation clés (précision, rappel, F1-score)
• —Préparation de données pour les algorithmes (scikit-learn)

08.Régression Linéaire et Logistique

09.Arbres de Décision et Forêts Aléatoires

• —Fonctionnement des arbres de décision (survie, classification)
• —Avantages et limites (sur-apprentissage)
• —Introduction aux forêts aléatoires (aggrégation d'arbres)
• —Importance des caractéristiques et optimisation

10.Classification Supervisée Avancée

• —Support Vector Machines (SVM) : principes et noyaux
• —K-Nearest Neighbors (KNN) : classification et régression
• —Naive Bayes : principes et applications textuelles
• —Comparaison et choix d'algorithmes de classification

11.Apprentissage Non Supervisé : Clustering

• —K-Means : principe, choix du K, interprétation des clusters
• —Clustering hiérarchique : dendrogrammes et agglomération
• —Identification d'anomalies (détection d'outliers)
• —Applications du clustering (segmentation client)

12.Déploiement et Industrialisation des Modèles

• —Notion de pipeline MLOps
• —Sérialisation et chargement de modèles (joblib, pickle)
• —Notions de déploiement (API Flask simplifiée)
• —Suivi et maintenance des modèles en production