Formation Data Scientist : Les fondamentaux de la Data Science
Formation
À Levallois-Perret
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Description
-
Typologie
Formation
-
Lieu
Levallois-perret
Le métier de Data Scientist est apparu ces dernières années pour faire face à la multiplication des données, à la diversité de leurs formes et de leurs sources : le Big Data. Le rôle du Data Scientist : rendre les données exploitables, les traiter pour leur donner du sens et ainsi permettre à la direction générale d'adapter la stratégie de l'entreprise. C'est donc un acteur-clé aux compétences multiples. Cette formation Data Scientist : Les fondamentaux de la Data Science se concentre sur l'aspect technique de ce métier. Vous découvrirez les méthodes et les outils du Data Scientist et partagerez les retours d'expériences des formateurs. Des exercices pratiques et la participation à une compétition vous permettront d'expérimenter vos nouvelles connaissances.
Les sites et dates disponibles
Lieu
Date de début
Date de début
Les Avis
Le programme
Jour 1
Introduction au Big Data
Qu’est-ce-que le Big Data ?
L’écosystème technologique du Big Data
Le vocabulaire d’un problème de Data Science
De l’analyse statistique au machine learning
Overview des possibilités du machine learning
Input / ouput d’un problème de machine learning
Mise en pratique « OCR» (nous verrons comment modéliser le problème de la reconnaissance optique de caractère)
Analyse supervisée
Analyse non supervisée
Classification / régression
Quelques rappels : fonction hypothèse, fonction convexe, optimisation
La construction de la fonction de coût
Méthode de minimisation : la descente de gradient
Frontière de décision
La construction d’une fonction de coût convexe pour la classification
Introduction aux outils
Introduction à Python, Pandas et Scikit-learn
Cas pratique n°1 : « Prédire les survivants du Titanic »Exposé du problème
Première manipulation en Python
Rappels et révisions du jour 1
Qu’est-ce qu’un bon modèle ?
Cross-validation
Les métriques d’évaluation : precision, recall, ROC, MAPE, etc.
Overfitting ou sur-apprentissage
Biais vs variance
La régularisation : régression Ridge et Lasso
Les types de données : catégorielles, continues, ordonnées, temporelles
Détection des outliers statistiques, des valeurs aberrantes
Stratégie pour les valeurs manquantes
Mise en pratique : « Remplissage des valeurs manquantes»
Stratégies pour les variables non continues
Détecter et créer des variables discriminantes
Cas pratique n°2 : « Prédire les survivants du Titanic »Identification et création des bonnes variables
Réalisation d’un premier modèle
Soumission sur Kaggle
La visualisation pour comprendre les données : histogramme, scatter plot, etc.
La visualisation pour comprendre les algorithmes : train / test loss, feature importance, etc.
Le modèle de base : l’arbre de décision, ses avantages et ses limites
Présentation des différentes stratégies ensemblistes : bagging, boosting, etc.
Mise en pratique : « Retour sur le Titanic»
Utilisation d’une méthode ensembliste sur la base du précédent modèle
Les grandes classes d’algorithmes non supervisées : clustering, PCA, etc.
Mise en pratique : « Détection d’anomalies dans les prises de paris»Nous verrons comment un algorithme non supervisé permet de détecter des fraudes dans les prises de paris
Rappels et révisions
Synthèse des points abordés en journées 1 et 2
Approfondissement des sujets sélectionnés avec l’intervenant
Le dernier jour est entièrement consacré à des mises en pratique
Sélection et participation à une compétitionLe formateur sélectionnera une compétition en cours sur Kaggle ou datascience.net qui sera démarrée en jour 3 par l’ensemble des participants
Avez-vous besoin d'un coach de formation?
Il vous aidera à comparer différents cours et à trouver la solution la plus abordable.
Formation Data Scientist : Les fondamentaux de la Data Science