1. Accueil
  2. Catalogue
  3. Technologies du numérique et Système d'Information
  4. Bases de données - Big Data - Blockchain
Nouveau
Possible en Intra-entreprise

Analyse de données avec Python

Code Formation: 7009

| Ajouter aux favoris
La complexité et le volume croissant des données rendent leur analyse plus difficile. Cette formation permet d’exploiter Python pour analyser, modéliser et industrialiser des traitements de données et modèles d’IA.
Image
Une formation orientée vers la pratique : 60 % du temps est consacré à des travaux pratiques, permettant aux apprenants de mettre immédiatement en œuvre les notions abordées.

Compétence principale visée

Analyser, modéliser et automatiser des traitements de données complexes avec Python, jusqu’à l’industrialisation de modèles d’intelligence artificielle.

Objectifs pédagogiques

  • Implémenter des algorithmes non supervisés et supervisés

  • Comparer différentes approches ML

  • Évaluer des modèles

  • Mettre en production un modèle ML (FastAPI, Streamlit, Docker)

     

Public

  • Data scientists,

  • Analystes expérimentés

Prérequis

  • Connaissances en administration PostgreSQL et SQL avancé

PARTIE 1 - Fondements IA

Objectif : maîtriser les outils techniques nécessaires à l'analyse et à la préparation des données en Python

  • Histoire de l'IA

  • IA symbolique vs statistique

  • Machine Learning vs Deep Learning

  • Supervisé vs non supervisé

  • Pipeline ML

PARTIE 2 - Motifs fréquents & Règles d'association

Objectif : Comprendre les méthodes d'extraction de connaissances non supervisées basées sur la recherche de régularités dans les données transactionnelles et savoir interpréter les règles générées.

  • Support, confiance, lift, leverage

  • Anti-monotonie

  • Algorithme Apriori

  • Interprétation métier

  • Cas pathologiques 

 

  •  

TRAVAUX PRATIQUES – Extraire et interpréter des règles d'association

PARTIE 3 - Apprentissage Non supervisé

Objectif : Maîtriser les méthodes de réduction de dimension et de clustering afin d'explorer, structurer et segmenter des données sans variable cible.

  • ACP (Analyse en Composantes Principales)

    • Variance expliquée

    • Valeurs propres

    • Interprétation géométrique

    • Projection

  • Clustering

    • Distance euclidienne

    • Clustering hiérarchique

    • K-means

    • Choix du nombre de clusters

    • Inertie

    • Silhouette

TRAVAUX PRATIQUES – Réduire la dimension et segmenter un jeu de données

PARTIE 4 - Apprentissage Supervisé

Objectif : Comprendre, implémenter et comparer les principaux algorithmes d'apprentissage supervisé pour des tâches de classification et de régression.

  • Réseaux de neurones

    • Perceptron

    • Fonction d'activation

    • Rétropropagation

    • Overfitting

  • Arbres de décision

    • Entropie

    • Gini

    • Surapprentissage 

  • Méthodes ensemblistes

    • Random Forest

    • Boosting

    • Biais / variance

TRAVAUX PRATIQUES – Développer et déployer un projet Machine Learning complet

  • Comparaison de plusieurs modèles

  • Validation croisée

  • Matrice de confusion

  • F1-score

  • ROC-AUC

  • Interprétation

     

Alternance d'exposés, illustrations, études de cas, travaux pratiques et échanges avec des experts du domaine Un support de cours sera remis à chacun des participants
Evaluation des acquis de formation
Evaluation des acquis des apprenants réalisée en fin de formation, par un questionnaire contextualisé.
Taux de réussite

94.3% des apprenants ont acquis la compétence principale visée

Résultat obtenu pour 177 participants évalués ayant suivi une formation dans la thématique sur les 5 dernières années

Évaluation de la satisfaction

Evaluation du ressenti des participants en fin de formation (Niveau 1 KIRKPATRICK)

Résultats de l’évaluation

Le niveau de satisfaction globale est évalué à 4.3/5 par les participants.

Evaluations réalisées auprès des 199 participants ayant suivi une formation dans la thématique sur les 5 dernières années

Actualisée le 04-09-2026