Accueil / Formations

Formations

Data Science : niveau avancé Mixte : présentiel / à distance

Dernière mise à jour : 21/07/2021

Type : Stage pratique
Description
Le Big Data et la data science sont en train de changer le monde que nous connaissons. Avec la digitalisation sans cesse croissante de nos interactions et les progrès accomplis en matière d'intelligence artificielle, les entreprises ont de plus en plus recours aux algorithmes pour améliorer leurs processus de prise de décision et proposer de nouveaux services. Le Data scientist, à travers sa faculté à trouver à partir de l'exploitation des données une réponse adéquate à un problème fonctionnel donné, est au cœur de ces évolutions.

Après le module sur les bases de la Data science, la formation « Data Science : niveau avancé » vous permettra d'approfondir certains des concepts avancés de machine learning (feature engineering avancé, modèles ensemblistes…) utilisés notamment par les lauréats de concours Kaggle. Vous découvrirez également les techniques d'analyse et de traitement spécifiques aux données de type image ou texte (deep learning, réseaux de neurones convolutifs, réseaux récurrents,...).
Objectifs de la formation
  • Découvrir et utiliser la puissance prédictive des modèles ensemblistes
  • Savoir effectuer un "feature engineering" performant
  • Appréhender les techniques de text-mining et de deep-learning à travers des exemples concrets
  • Enrichir sa boite à outils de data scientist
Public visé
Analyste
Statisticien
Architecte
Développeur
Data scientist
Prérequis
Connaissances de base en programmation ou en scripting
Avoir suivi la formation "Fondamentaux de la Data Science" (DSDFX) serait en plus
Modalités pédagogiques
Formation avec apports théoriques, échanges sur les contextes des participants et retours d'expérience pratique du formateur, complétés de travaux pratiques et de mises en situation.
Profil du / des Formateur(s)
Toutes nos formations sont animées par des consultants-formateurs expérimentés et reconnus par leurs pairs.
Modalités d'évaluation et de suivi
L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Une évaluation à chaud sur la satisfaction des stagiaires est réalisée systématiquement en fin de session et une attestation de formation est délivrée aux participants mentionnant les objectifs de la formation, la nature, le programme et la durée de l'action de formation ainsi que la formalisation des acquis.
Programme
Jour 1

1.Rappel des fondamentaux
1.1.Ecosystème Big Data et Data Science
1.2.Comment modéliser un problème de data science ?
1.3.Les différentes familles d'algorithmes (supervisé : classification/régression, non supervisé)
1.4.Les algorithmes classiques
1.5.Comment évaluer la performance ?
1.6.Sur apprentissage et compromis biais/variance

2. Modèles ensemblistes
2.1.Rappels
2.2.Pourquoi ça fonctionne ? Raisons théoriques
2.3.Introduction au stacking
2.3.1.Architecture et promesses du stacking
2.3.2.Feature weighted stacking
2.3.3.Mise en application

3.Introduction au text mining
3.1.Un modèle de représentation : le bag of words
3.2.Normalisations usuelles
3.3.Stemming, lemmatization
3.4.Distances (Levenshtein, Hamming, Jaro-Winkler)
3.5.Word2Vec

Jour 2

4.Feature engineering avancé
4.1.Normalisation
4.1.1.Qu'est ce que la normalisation ?
4.1.2.Quand l'utiliser ?

4.2.Réduction de dimension (ACP, TSNE, LSA, etc.)
4.3.Transformation et interactions entre variables
4.4.Traitement des variables catégorielles à haute dimensionnalité
4.5.Création de variables extraites d'arbres (Facebook Trick)

5.Réseaux de neurones et deep learning
5.1.L'origine : le perceptron

5.2.Les réseaux de neurones

5.3.Deep learning
5.3.1.Objectif : s'affranchir du feature engineering manuel
5.3.2.Convolution
5.3.3.Réseaux récurrents

5.4.Cas concret : reconnaissance de chiffres

6.Apprentissage semi-supervisé

Jour 3

7.Rappels et révisions
7.1.Synthèse des points abordés en journées 1 et 2
7.2.Approfondissement des sujets sélectionnés avec l'intervenant

8.Mise en pratique
8.1.Le dernier jour est entièrement consacré à des mises en pratique

9.Sélection et participation à une compétition
9.1.Le formateur sélectionnera une compétition en cours sur Kaggle qui sera démarrée en jour 3 par l'ensemble des participants
Exposé (%)
50
Pratique (%)
40
Echanges (%)
10

M'inscrire à la formation

Lieu(x) :

Classe virtuelle
Classe virtuelle
Détail des horaires :
Demander un devis
Prochaines Sessions
  • 27/09/21 → 29/09/21 À distance Classe virtuelle
  • 24/11/21 → 26/11/21 À distance Classe virtuelle

Catalogue de formation propulsé par Dendreo,
logiciel spécialisé pour centres et organismes de formation

OCTO Academy respecte votre vie privée

Ce site web stocke des informations vous concernant via le dépôt de cookie afin de mesurer l’audience du site. Ces données de navigation sont anonymisées.

En cliquant sur « OK pour moi », vous manifestez votre consentement pour le dépôt de ces cookies.

Lire la politique de confidentialité

À propos des cookies

Sur ce site, nous utilisons des cookies pour mesurer notre audience, entretenir la relation avec vous et vous adresser de temps à autre du contenu qualitif ainsi que de la publicité. Vous pouvez sélectionner ici ceux que vous autorisez à rester ici.

Cookies