Phyton pour le scientifique et fondamentaux en date science

Module 1 : Python et ses outils de traitement des données  1jour

• Rappel Python du cours précédent
• Rappel sur le langage : variables, fonctions, classes
• Bonnes pratiques de programmation selon les conventions Pep8
• Manipuler les données multidimensionnelles : numpy
• Manipuler les donnes tabulaires : Pandas
• Visualiser les données : Matplotlib, Seaborn, Plotly
• Explorer les données : SciPy, Pandas-profiling

Module 2 : Introduction au Machine Learning  0.5 jour

• Apprentissage supervisé / non supervisé / renforcement
• Apprentissage supervisé :
• Problèmes principaux : classification, régression
• Découpage train / validation / test ; overfitting et undefitting
• Algorithmes : régression linéaire et logistique, arbres de décisions et random forest, support vector machines
• Apprentissage non supervisé :
• Problèmes principaux : réduction de la dimension, clustering
• Algorithmes : Analyse des composantes principales, K-means
• Traitement d’images : réseaux de neurones convolutionnels
• Traitement de texte

Module 3: Machine learning avec Python: scikit-learn 1 jour

• Solutions de problèmes d’apprentissage supervisé avec scikit-lear
  • Classification, régression linéaire et logistique, arbres de décisions, random forest, support vector machines, nearest neighbors • Solutions des problèmes d’apprentissage non supervisé avec scikit-learn
  • K-means, composantes principales, feature selection
• Traitement d’images et de texte avec scikit-learn

Module 4 : projet final 0.5 jour

• Projet final où tous les concepts acquis sont utilisés
• Présentation et discussion des projets des apprenants
• Retour d’expérience et conclusion du cours