Formation Data Scientist : Les fondamentaux de la Data Science

Jour 1
Introduction au Big Data

Qu’est-ce-que le Big Data ?
L’écosystème technologique du Big Data

Introduction à la Data Science, le métier de Data Scientist

Le vocabulaire d’un problème de Data Science
De l’analyse statistique au machine learning
Overview des possibilités du machine learning

Modélisation d’un problème

Input / ouput d’un problème de machine learning
Mise en pratique « OCR» (nous verrons comment modéliser le problème de la reconnaissance optique de caractère)

Identifier les familles d’algorithmes de machine learning

Analyse supervisée
Analyse non supervisée
Classification / régression

Sous le capot des algorithmes : la régression linéaire

Quelques rappels : fonction hypothèse, fonction convexe, optimisation
La construction de la fonction de coût
Méthode de minimisation : la descente de gradient

Sous le capot des algorithmes : la régression logistique

Frontière de décision
La construction d’une fonction de coût convexe pour la classification

La boîte à outil du Data Scientist

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

Jour 2
Rappels et révisions du jour 1
Qu’est-ce qu’un bon modèle ?

Cross-validation
Les métriques d’évaluation : precision, recall, ROC, MAPE, etc.

Les pièges du machine learning

Overfitting ou sur-apprentissage
Biais vs variance
La régularisation : régression Ridge et Lasso

Data Cleaning

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»

Feature Engineering

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

Data visualisation

La visualisation pour comprendre les données : histogramme, scatter plot, etc.
La visualisation pour comprendre les algorithmes : train / test loss, feature importance, etc.

Introduction aux méthodes ensemblistes

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

Apprentissage semi-supervisé

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

Jour 3
Rappels et révisions

Synthèse des points abordés en journées 1 et 2
Approfondissement des sujets sélectionnés avec l’intervenant

Mise en pratique

Le dernier jour est entièrement consacré à des mises en pratique

Sélection et participation à une compétition

Le formateur sélectionnera une compétition en cours sur Kaggle ou datascience.net qui sera démarrée en jour 3 par l’ensemble des participants