Public visé
Développeurs, Data Analysts, Data Scientists.
Prérequis
Expérience en codage ou scripting. Compétences en mathématiques niveau lycée minimum.
Objectifs pédagogiques
À l’issue de cette formation, vous serez capable de :
- Utiliser Scikit-learn pour créer des modèles ML
- Concevoir des expériences A/B testing
- Visualiser clustering et régression avec Matplotlib
- Appliquer les bonnes pratiques de préparation des données
Programme
Jour 1 - Matin
Introduction Data Science
- Méthodes ML
- Fondamentaux Python et POO
Jour 1 - Après-midi
Outils et préparation des données
- NumPy/SciPy/Pandas/Matplotlib
- Préparation et nettoyage des données
Jour 2 - Matin
Régression
- ACP
- Régression linéaire/multilinéaire/polynomiale/logistique
Jour 2 - Après-midi
Classification
- Classification supervisée/non supervisée
- Arbres de décision, K-means, SVM
- Réseaux de neurones
Jour 3 - Matin
Méthodes avancées
- Cross-validation
- Méthodes bayésiennes
- Forêts aléatoires
- Apprentissage par renforcement
- Filtrage collaboratif
- A/B testing
Jour 3 - Après-midi
Applications pratiques
- Classification pour analyse de routes
- Détection de modes de transport
- Algorithmes de recommandation