Formation Python niveau 3 : volume Horaire 18h.

Unité de formation : Intelligence artificielle (Machine Learning / Deep Learning/Datasccience)

La formation au langage Python permet à toute personne de maîtriser les principes courants et avancés en développement. Il s’agit d’un langage accessible mais qui peut devenir complexe pour des programmes avancés, ce qui explique pourquoi cette formation Python a été mise en place. L’objectif de la formation est de présenter les nouveautés du langage Python ainsi que les concepts avancés de la programmation en Python.

Les plus de la formation :

  • Ciblé à toute personne désirant améliorer ses compétences
  • Attestation à la fin de la formation
  • Formation conçu par des professionnels
  • Support de formation offert gratuitement
  • Espace dédié pour la discute avec les consultants

Programme :

Séquence N°1.
A. Présentation de NumPy :
  1. Introduction à NumPy.
  2. Variables prédéfinies.( Variable pi.)
  3. Tableaux – numpy.array()
  4. Création
    • Création.
    • Affichage.
    • Accès aux éléments d’un tableau.
    • Tableau 2D.
    • Accès aux éléments d’un tableau 2D.
B. Les fonctions Numpy :
  1. numpy.arange().
  2. numpy.linspace().
  3. Action d’une fonction mathématique sur un tableau.

C. Fonctions mathématiques avec NumPy
  1. Fonctions trigonométriques
  2. Fonctions hyperboliques
  3. Fonctions diverses
  4. Fonctions utiles pour les nombres complexes
  5. Arrondis
    • Comparaison entre around(x,0) et trunc(x)
  6. Nombres aléatoires
Séquence N°2.
A. Les liste et dictionnaires compréhensif :
  1. Liste compréhensif avec boucle.
  2. Dictionnaire compréhensif avec boucle.
B. les techniques d’Indexing et booléenne indexing de Slicing et de Subsetting.
  1. Numpy Axes.
  2. Numpy Indexing.
  3. Numpy Slicing.
  4. Numpy Subsetting.
C. Les graphiques avec matplotlib.pyplot :
  1. Les figures matplotlib.
  2. Titres.
  3. Légende.
  4. Styles
  5. Les figures subplot de matplotlib.pyplot.
  6. Les graphiques de classification avec plt.scatter.
  7. Les datasets avec sklearn.datasets.
Séquence N°3.
A. Analyse et exploration des données :
  1. Check liste de base :
    • Faire une analyse simple des données pas à pas éviter le complexe au départ et
    • prendre des notes de notre dataset.
    • Comprendre mieux les données de notre dataset.
    • Développer une première stratégie de modélisation.
  2. Analyse de la forme :
    • Chercher la variable Target(cible)
    • Savoir le nombre de ligne et de colonnes.
    • Déterminer le type des variables.
    • Analyse des valeurs manquantes (NaN).
  3. Analyse de Fond :
    • Signification des variables.
    • Relation des variables de la datasets.
  4. Analyse plus détaillée
  5. Test d’évaluation