Programme détaillé

FONDAMENTAUX DE PYTHON

INTRODUCTION A PYTHON

• Historique et philosophie du langage
• Installation et prise en main de l'environnement de développement
• Syntaxe de base : indentation, commentaires, variables, types de données...

STRUCTURES DE DONNEES PYTHON

• Listes, tuples, dictionnaires, ensembles
• Slicing, compréhensions de listes
• Manipulation et méthodes des différentes structures

STRUCTURES DE CONTROLE

• Instructions conditionnelles (if/elif/else)
• Boucles for et while
• Fonctions et passage d'arguments

BONNES PRATIQUES DE PROGRAMMATION

• Conventions de nommage, PEP 8
• Gestion des erreurs et exceptions
• Modules et packages

INTRODUCTION A LA PROGRAMMATION ORIENTEE OBJET (POO)

• Concepts de base de la POO
• Définition de classes et d'objets en Python
• Héritage et polymorphisme

PYTHON POUR LA DATA SCIENCE

PRESENTATION DE L'ECOSYSTEME DATA SCIENCE PYTHON

• Vue d'ensemble des librairies essentielles : Numpy, Pandas, Matplotlib...
• Jupyter Notebook pour les projets data science

NUMPY POUR LE CALCUL SCIENTIFIQUE

• Objets ndarray et vectorisation des calculs
• Slicing, broadcasting, masques booléens
• Algèbre linéaire et statistiques avec Numpy

INTRODUCTION A PANDAS

• Structures de données Pandas : Series et DataFrame
• Lecture/écriture de fichiers CSV, Excel, SQL...
• Extraction et filtrage de données

MANIPULATIONS DE DONNEES AVEC PANDAS

• Opérations sur les indexes et les colonnes
• Transformation de variables (apply, map, cut...)
• Gestion des données manquantes
• Concaténation et fusion de DataFrame

INTRODUCTION A LA DATA VISUALISATION AVEC MATPLOTLIB

• Création de graphiques simples : courbes, histogrammes, camemberts...
• Personnalisation des graphiques
• Figures, subplots et multiples graphiques

DATA VISUALISATION ET STATISTIQUES

DATA VISUALISATION AVANCEE AVEC SEABORN

• Graphiques statistiques : dispersion, densité, pairplot...
• Utilisation de données catégorielles
• Personnalisation avancée des graphiques

STATISTIQUES AVEC SCIPY

• Statistiques descriptives
• Tests statistiques paramétriques et non-paramétriques

PROJET DIRIGE : ANALYSE EXPLORATOIRE D'UN JEU DE DONNEES

• Import, nettoyage et transformation des données
• Analyses statistiques univariées et multivariées
• Visualisations avancées et interprétation des résultats

INTRODUCTION AU MACHINE LEARNING

CONCEPTS FONDAMENTAUX DU MACHINE LEARNING

• Types d'apprentissage : supervisé, non supervisé, par renforcement
• Compromis biais-variance, overfitting et régularisation
• Évaluation et validation croisée

ALGORITHMES DE ML SUPERVISES AVEC SCIKIT-LEARN

• Pré-processing des données : encodage, scaling...
• Entraînement et évaluation d'un modèle
• Algorithmes de classification (KNN, régression logistique, SVM...)
• Algorithmes de régression (linéaire, polynomiale, régularisée...)

ALGORITHMES DE ML NON SUPERVISES AVEC SCIKIT-LEARN

• Réduction de dimension (ACP, t-SNE...)
• Clustering (K-means, DBScan...)

INTERPRETATION ET EXPLICABILITE DES MODELES

• Importance des variables
• Outils d'explicabilité (LIME, SHAP...)

PROJET DIRIGE : PREDICTION SUPERVISEE SUR UN JEU DE DONNEES REEL

• Analyse du problème et des données
• Feature engineering et sélection de variables
• Comparaison et optimisation de différents algorithmes
• Interprétation des résultats

DATATHON : COMPETITION KAGGLE

PRESENTATION DU CHALLENGE ET DES DONNEES

• Analyse exploratoire et feature engineering
• Essais de différentes approches de modélisation
• Soumission et évaluation des résultats

PRESENTATION DES PROJETS DEVANT LA CLASSE

• Pitch des démarches et des résultats obtenus
• Retours du formateur et des autres participants

CONCLUSION ET PERSPECTIVES

• Récapitulatif des points clés de la formation
• Conseils pour approfondir et monter en compétences
• Panorama des métiers et des opportunités en data science