Accueil / Formations

Formations

Fondamentaux de la Data Science Mixte : présentiel / à distance

Dernière mise à jour : 07/06/2021

Type : Stage pratique en présentiel
Description
Surfant sur la vague du Big Data, le data scientist joue un rôle clé dans la valorisation de données. Au-delà des paillettes, quel est son rôle, ses outils, sa méthodologie, ses "tips and tricks" ? Venez le découvrir au travers de cette initiation à la Data Science délivrée par des data scientists renommés qui vous apporteront l'expérience des compétitions de Data Science et leurs riches retours d'expérience des modèles réels qu'ils mettent en place chez leurs clients.
Objectifs de la formation
  • Découvrir le monde de la Data Science et les grandes familles de problèmes
  • Savoir modéliser un problème de Data Science
  • Créer ses premières variables
  • Constituer sa boite à outils de data scientist
Public visé
Analyste
Statisticien
Architecte
Développeur
Prérequis
Connaissances de base en programmation ou scripting. Quelques souvenirs de statistiques sont un 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.    Introduction au Big Data
1.1.    Qu'est-ce-que le Big Data ?
1.2.    L'écosystème technologique du Big Data

2.    Introduction à la Data Science
2.1.    Le vocabulaire d'un problème de Data Science
2.2.    De l'analyse statistique au machine learning
2.3.    Overview des possibilités du machine learning

3.    Modélisation d'un problème
3.1.    Input / ouput d'un problème de machine learning
3.2.    Mise en pratique "OCR"
3.2.1.    Nous verrons comment modéliser le problème de la reconnaissance optique de caractère

4.    Identifier les familles d'algorithmes de machine learning
4.1.    Analyse supervisée
4.2.    Analyse non supervisée
4.3.    Classification / régression

5.    Sous le capot des algorithmes : la régression linéaire
5.1.    Quelques rappels : fonction hypothèse, fonction convexe, optimisation
5.2.    La construction de la fonction de coût
5.3.    Méthode de minimisation : la descente de gradient

6.    Sous le capot des algorithmes : la régression logistique
6.1.    Frontière de décision
6.2.    La construction d'une fonction de coût convexe pour la classification

7.    La boite à outil du data scientist
7.1.    Introduction aux outils
7.2.    Introduction à python, pandas et scikit-learn

8.    Cas pratique n°1 : "Prédire les survivants du Titanic"
8.1.    Exposé du problème
8.2.    Première manipulation en python

Jour 2

9.    Rappels et révision du jour 1

10.    Qu'est-ce qu'un bon modèle ?
10.1.    Cross-validation
10.2.    Les métriques d'évaluation : precision, recall, ROC, MAPE, etc.

11.    Les pièges du machine learning
11.1.    Overfitting ou sur-apprentissage
11.2.    Biais vs variance
11.3.    La régularisation : régression Ridge et Lasso

12.    Data Cleaning
12.1.    Les types de données : catégorielles, continues, ordonnées, temporelles
12.2.    Détection des outliers statistiques, des valeurs aberrantes
12.3.    Stratégie pour les valeurs manquantes
12.4.    Mise en pratique : "Remplissage des valeurs manquantes"

13.    Feature Engineering
13.1.    Stratégies pour les variables non continues
13.2.    Détecter et créer des variables discriminantes

14.    Cas pratique n°2 : "Prédire les survivants du Titanic"
14.1.    Identification et création des bonnes variables
14.2.    Réalisation d'un premier modèle
14.3.    Soumission sur Kaggle

15.    Data visualisation
15.1.    La visualisation pour comprendre les données : histogramme, scatter plot, etc.
15.2.    La visualisation pour comprendre les algorithmes : train / test loss, feature importance, etc.

16.    Introduction aux méthodes ensemblistes
16.1.    Le modèle de base : l'arbre de décision, ses avantages et ses limites
16.2.    Présentation des différentes stratégies ensemblistes : bagging, boosting, etc.
16.3.    Mise en pratique : "Retour sur le titanic"
16.3.1.    Utilisation d'une méthode ensembliste sur la base du précédent modèle

17.    Apprentissage semi-supervisé
17.1.    Les grandes classes d'algorithmes non supervisées : clustering, PCA, etc.
17.2.    Mise en pratique : "Détection d'anomalies dans les prises de paris"
17.2.1.    Nous verrons comment un algorithme non supervisé permet de détecter des fraudes dans les prises de paris

Jour 3

18.    Rappels et révisions
18.1.    Synthèse des points abordés en journées 1 et 2
18.2.    Approfondissement des sujets sélectionnés avec l'intervenant

19.    Mise en pratique
19.1.    Le dernier jour est entièrement consacré à des mises en pratique

20.    Sélection et participation à une compétition
20.1.    Le formateur sélectionnera une compétition en cours sur Kaggle ou datascience.net qui sera démarrée en jour 3 par l'ensemble des participants
Exposé (%)
60
Pratique (%)
30
Echanges (%)
10

M'inscrire à la formation

Lieu :
Classe virtuelle
Classe virtuelle
Classe virtuelle
Classe virtuelle
Détail des horaires :
Demander un devis
Session sélectionnée
  • 08/12/21 → 10/12/21
  • Détails :

    08/12/21 : 09:30 → 12:30
    13:30 → 17:30
    09/12/21 : 09:00 → 12:30
    13:30 → 17:00
    10/12/21 : 09:00 → 12:30
    13:30 → 17:00
Prochaines Sessions
  • 23/06/21 → 25/06/21 À distance Classe virtuelle
  • 01/09/21 → 03/09/21 À distance Classe virtuelle
  • 13/10/21 → 15/10/21 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