Data Science avec Python : de la préparation des données à la modélisation
L'essentiel
Caractéristiques
Cours
21 heuresAdaptable
Lieu et mode de présence
1 département
Présentiel
Distanciel
Domaines d’enseignement
Data science | Big data
Intelligence Artificielle (IA)
Machine learning
Base de Données
Présentation
Ce module propose une approche complète, progressive et pratique de la Data Science avec Python. Il permet aux participants de comprendre et de mettre en œuvre les principales étapes d’un projet de données, depuis la compréhension du besoin jusqu’à l’évaluation et à l’interprétation d’un modèle de Machine Learning.
La formation commence par une introduction à la Data Science, à ses principaux cas d’usage et aux différentes étapes du cycle de vie d’un projet. Les participants apprennent ensuite à collecter, explorer, nettoyer et préparer les données avec Python, Pandas et NumPy.
Le module aborde notamment la gestion des valeurs manquantes, la détection des données aberrantes, la transformation des variables, l’encodage des variables catégorielles, la normalisation, la standardisation et la création de nouvelles variables pertinentes.
Une partie importante est consacrée à l’analyse exploratoire et à la visualisation des données afin de comprendre les distributions, les relations entre les variables et les tendances présentes dans les jeux de données.
Les participants découvrent ensuite les principaux algorithmes de Machine Learning supervisé et non supervisé : régression, classification et clustering. Ils apprennent à séparer les données d’entraînement et de test, à construire un pipeline de traitement, à entraîner un modèle, à évaluer ses performances et à interpréter les résultats.
Le contenu couvre également la validation croisée, la sélection des variables, l’optimisation des hyperparamètres, la détection du surapprentissage et le choix des métriques adaptées à chaque problématique.
La formation repose sur des explications progressives, des démonstrations, des notebooks Python, des exercices pratiques et une étude de cas permettant de réaliser un projet Data Science de bout en bout.
À l’issue du module, les participants seront capables de préparer un jeu de données, de construire un pipeline de Machine Learning, de comparer plusieurs modèles et de présenter les résultats obtenus de manière claire et professionnelle.
Principaux outils utilisés : Python, Jupyter Notebook, Pandas, NumPy, Matplotlib, Seaborn et scikit-learn.
Le programme, la durée, le niveau technique, les exercices et le cas d’usage peuvent être adaptés aux objectifs pédagogiques de l’établissement et au niveau des apprenants.