Formation Python Perfectionnement
Orientée Data science
4 jours – 28 heures en présentiel ou à distance
Différents paradigmes du Machine Learning, librairies pertinentes, algorithmes classiques du domaine, produire des analyses éclairées de données
pRErequis
Posséder des connaissances de base en algorithmique est conseillé, mais aussi en Python ou dans un autre langage de programmation ainsi que des compétences en mathématiques statistiques
PublicS
Doctorants, ingénieurs, chercheurs, data analystes, marketing
tarif ht/jour
Nous consulter
Objectifs pédagogiques de la formation Python Perfectionnement orientée Data science :
A l’issue de la formation, les participants se seront familiarisés avec les différents paradigmes du Machine Learning et seront capables d’utiliser Python et des librairies pertinentes pour manipuler les algorithmes classiques du domaine pour produire des analyses éclairées de leurs données.
Contenu de la formation programmation Python Perfectionnement orientée Data science :
- Notions d’algorithmique et langage de programmation
- Où se situe Python dans le domaine de la programmation ?n ?
- Les fonctions définies par le mot clef def
- Les fonctions lambda
- La bibliothèque standard, les modules et le mot clef import
- Les autres bibliothèques et le système de gestion pip
- Sauvegarder, organiser et appeler son code : les fichiers .py
- Principes fondamentaux des exceptions
- Gérer les erreurs simplement avec les blocs try et except
- Gérer un type d’erreur particulier
- Aller plus loin avec else, finally et pass
- Les assertions
- Les principes du paradigme de la programmation objet
- Travailler avec des séquences d’éléments de base : les listes et les tuples
- Travailler avec des séquences d’objets : les dictionnaires
- Le module os et la gestion des fichiers
- La portée des variables en Python
- Les conventions de nommage et de gestion
- La création d’une classe
- Les attributs
- Les méthodes de classe et les méthodes statiques
- Principe de l’héritage
- Héritage simple et classe mère
- Héritage multiple et classes parentes
- Les méthodes de conteneur
- Les méthodes mathématiques et de comparaison
- Les décorateurs
- Les méthodes de pickle
- Manipuler différents formats de fichiers
- Accéder aux données
- Manipuler des données massives
- Les structures de données en NumPy et Pandas
- L’aléatoire en informatique et le module random
- Algèbre linéaire: manipuler des vecteurs, matrices, tenseurs avec NumPy
- Tests statistiques (test Z, test de Student)
- La descente de gradient
- Les différents régimes de l’apprentissage statistique : apprentissage supervisé et non supervisé
- Évaluer un modèle (métriques, matrice de confusion, courbes ROC et AUC, jeux de tests, validation croisée)
- Prétraitement des données (encodage, classes déséquilibrées, valeurs manquantes…)
- Les régressions linéaires et logistiques (avec Scikit-learn), les régressions polynomiales, les régressions
régularisées - Le clustering K-means et k-nearest neighbors
- Le clustering hiérarchique
- Arbres de décisions et de régression
- Perceptron et Support Vector Machines
- Introduction aux réseaux de neurones
- Analyses de composantes (principales, indépendantes …)
- Tracer des graphiques pertinents avec matplotlib et seaborn
Poursuite de formation :
Les avis sur la formation :
Les avis clients présentés ci-dessous sont issus des enquêtes de satisfaction complétés en fin de formation
Prochaine session en présentiel :
Prochaine session à distance :
Pour vous inscrire à cette formation, cliquez sur la date de session souhaitée et renseignez votre demande.
Notre équipe vous répond en moins d’une heure.
D’autres sessions peuvent être organisées selon vos disponibilités, contactez-nous.
Possibilité de s’inscrire à la formation à tout moment.
Lieu de formation :
CMS Informatic
7 allée de Londres
ZA Courtabœuf Paris-Saclay
91140 Villejust
01 64 86 42 42
Liste de nos formations :
Votre contact commercial :
Mme Nathalie GRIMOIN
01 64 86 42 42
admin@cms-informatic.com
Formacode :
LANGAGES INFORMATIQUES 30854
LANGAGE PYTHON 30812
Plus de 365 clients nous font confiance :
