IA - Conduire un projet de Data Science et de Machine Learning

PARTIE 1 - INTRODUCTION

• Introduction à la Data Science : présentation de l'histoire de la Data Science, des concepts de base, de cas d'étude et de la méthodologie
• Comprendre ce qu'est un dataset, les différents types de données manipulées en Data Science - transactionnel, graphe, ordonné - et acquérir des notions sur la qualité des données
• Rappels des traitements statistiques sur les données : moyenne, variance, écart-type, skewness, etc.

PARTIE 2 - FONDAMENTAUX DE PYTHON POUR LA DATA SCIENCE

• Concepts de base : types de données simples et composées, structure de contrôle, manipulation de fichiers
• Pourquoi Python pour la Data Science et découverte de l'écosystème de librairies, framework et outils
• Découverte de l'outil indispensable pour la manipulation de données en Python : Pandas

                        - Concepts de base : Séries et DataFrame, lecture et écriture de données, sélection de    données, qualité des données

                        - Méthodes de visualisation de données

                        - Calculs statistiques

                        - Opération complexes : agrégation, pivot, jointure

                        - Manipulation de séries temporelles

PARTIE 3 - MACHINE LEARNING

• Introduction aux activités du Machine Learning : clustering, prédiction, règles d'association, détection d'anomalie       
• Apprentissage supervisé - régression : régression linéaire avec régularisation, notions de biais et variance, méthode de sélection des hyperparamètres, métriques
• Apprentissage supervisé - classification : régression logistique, arbre de décision, sous/sur-apprentissage, SVM, forêt aléatoire, ensemble learning, métriques
• Apprentissage non supervisé : clustering k-means et DBCSAN, clustering hiérarchique, méhodes d'analyse factorielles