Formation certifiante Data scientist

Fondamentaux de Python

• Découverte des différents types de variables, des listes et des tuples.
• Présentation des divers opérateurs et structures de contrôle.
• Initiation au concept de boucle et ses différents types.
• Introduction aux fonctions et leur documentation.
• Instanciation de classes et utilisation de modules.

Les bibliothèques NumPy et Pandas

• Création et manipulation d’un tableau NumPy array.
• Présentation des opérations matricielles et manipulation d’un NumPy array.
• Création d’un indicateur statistique et opérations sur un NumPy array.
• Introduction à la bibliothèque Pandas.
• Introduction au nettoyage des données (data cleaning).
• Introduction au data processing.
• En option : Data quality (principes, variables, nettoyage de données, gestion des valeurs manquantes).

Matplotlib et Seaborn

• Présentation des différents types de graphes.
• Introduction à la personnalisation des graphiques.
• Seaborn : maîtrise de l’analyse des distributions.
• Mise en place de l’analyse statistique.
• Initiation à l’analyse multivariée.
• Bokeh (optionnel).
• Formation à tout type de graphiques interactifs et intégrables sur page web.
• Visualisation de données géographiques.
• Découverte et création de widgets.

Machine learning

• Introduction à Scikit-learn et présentation de la classification support vector machines (SVM).
• Application de la méthode des k plus proches voisins (k-nearest neighbors ou KNN).
• Sélection de modèles et classification semi-supervisée.
• Présentation des algorithmes des k-moyennes.
• Découvertes des algorithmes de mean shift.
• Introduction à la régression linéaire simple et multiple.
• Introduction à la régression linéaire régularisée.
• Feature selection process.
• Initiation aux analyses en composantes principales.
• Application de l’approche manifold learning.

Séries temporelles avec Statsmodels et text mining

• Création de nuages de mots (Wordclouds).
• Découverte des modèles de base.
• Découverte des modèles ARIMA.
• Text mining·: introduction aux expressions régulières.
• Gestion de données textuelles.

Machine learning et théorie des graphes avec NetworkX

• Introduction à la théorie des graphes.
• Application des algorithmes fondamentaux : Kruskal et Dijkstra.
• Détection de communautés.
• Application de l’algorithme PageRank au classement de pages web.

Introduction au data engineering et big data

• Introduction aux 3V du big data (volume, variété, vélocité).
• Présentation des bases de données et des architectures.
• Mise en production de données.
• Data processing et machine learning sur des grandes bases de données.
• Introduction à PySpark.
• Découverte des fonctions de PySpark : data processing, dataframes, régression avec PySpark, ML pipelines, model turning.

Deep learning avec la bibliothèque Keras

• Découverte de concepts : Dense neural networks, convolutional neural networks, architecture LeNet, transfer Learning.

Introduction à TensorFlow 2.0 et au reinforcement learning

• Mise en relation de TensorFlow et Keras.
• Application du word embedding avec Word2vec.
• Présentation du recurrent neural network.
• Présentation du generative adversial network.
• Définition des éléments de l’apprentissage par renforcement.
• Mise au point sur les fondamentaux mathématiques pour le reinforcement learning.
• Présentation de la principale famille d’algorithmes de reinforcement learning : Monte-Carlo.
• Application des algorithmes d’apprentissage par différence temporelle : SARSA.
• Application des algorithmes d’apprentissage par différence temporelle : Q-Learning.
• Comparaison entre apprentissage par différence temporelle et Monte-Carlo.

Deep reinforcement learning (apprentissage par renforcement profond)

• Application à des business cases.
• Introduction au deep reinforcement learning.
• Compréhension des fondements des méthodes basées sur la valeur.
• Compréhension des problèmes de variance élevée, des risques de surestimation, application des méthodes de résolution.
• Introduction à la méthode de policy gradient.
• Compréhension des fondamentaux de la structure acteur-critique utilisée dans l’apprentissage en deep reinforcement learning.