Passer au contenu principal

MAUSSE INSTITUT

Menu
Formation continuE

DATA SCIENCE BOOTCAMP

Programme de Formation

Le scientifique des données est l’une des professions les mieux adaptées pour prospérer au cours de ce siècle. Il s’agit d’un métier numérique, orienté vers la programmation et analytique. Il n’est donc pas surprenant que la demande de scientifiques des données ait augmenté sur le marché de l’emploi.

Programme de la Formation

Un parcours complet couvrant les fondamentaux de la Data Science jusqu’au déploiement de modèles d’Intelligence Artificielle.

01 Introduction à la Data Science
  • Les différentes disciplines de la Data Science
  • Les liens entre les disciplines de la Data Science
  • Les avantages de chaque discipline
  • Les principales techniques de la Data Science
  • Les outils incontournables du Data Scientist
  • Les métiers de la Data Science
  • Démystifier les idées reçues sur la Data Science
02 Probabilités
  • Analyse combinatoire
  • Inférence bayésienne
  • Les lois de probabilité
  • Applications des probabilités dans différents domaines
03 Statistiques
  • Statistiques descriptives
  • Cas pratique : Statistiques descriptives
  • Fondamentaux des statistiques inférentielles
  • Les intervalles de confiance
  • Cas pratique : Statistiques inférentielles
  • Tests d’hypothèses
  • Cas pratique : Tests d’hypothèses
04 Introduction à Python
  • Variables et types de données
  • Syntaxe de base de Python
  • Les opérateurs Python
  • Les structures conditionnelles
  • Les fonctions Python
  • Les listes, tuples, dictionnaires et ensembles
  • Les boucles et les itérations
  • Les outils avancés de Python
05 Méthodes statistiques avancées avec Python
  • Régression linéaire avec StatsModels
  • Régression linéaire multiple avec StatsModels
  • Régression linéaire avec Scikit-Learn
  • Cas pratique : Régression linéaire
  • Régression logistique
  • Analyse de clusters
  • Clustering K-Means
  • Autres méthodes de clustering
  • Utiliser ChatGPT en Data Science
  • Étude de cas
06 Prétraitement et Visualisation des Données
  • Collecte et importation des données
  • Nettoyage des données
  • Gestion des valeurs manquantes
  • Détection et traitement des valeurs aberrantes
  • Encodage des variables catégorielles
  • Normalisation et standardisation des données
  • Manipulation des données avec Pandas
  • Visualisation avec Matplotlib
  • Visualisation avancée avec Seaborn
  • Analyse exploratoire des données (EDA)
07 Machine Learning
  • Introduction au Machine Learning
  • Apprentissage supervisé
  • Apprentissage non supervisé
  • Arbres de décision
  • Forêts aléatoires (Random Forest)
  • Support Vector Machines (SVM)
  • k-Nearest Neighbors (KNN)
  • Validation croisée et optimisation des modèles
  • Évaluation des performances des modèles
  • Projet pratique de Machine Learning
08 Deep Learning avec TensorFlow et Keras
  • Introduction au Deep Learning
  • Les réseaux de neurones artificiels
  • Installation et prise en main de TensorFlow
  • Création d’un premier modèle avec Keras
  • Fonctions d’activation et optimisation
  • Prévention du surapprentissage (Overfitting)
  • Les réseaux de neurones convolutifs (CNN)
  • Introduction aux réseaux récurrents (RNN)
  • Sauvegarde et déploiement d’un modèle
  • Projet Deep Learning
09 Business Intelligence et Tableau
  • Introduction à la Business Intelligence
  • Installation et prise en main de Tableau
  • Connexion aux différentes sources de données
  • Création de tableaux de bord interactifs
  • Visualisations avancées
  • Filtres, paramètres et calculs
  • Storytelling avec les données
  • Publication et partage des tableaux de bord
  • Bonnes pratiques de visualisation
  • Projet Business Intelligence
10 Projet Final de Data-Science
  • Définition du problème métier
  • Collecte et préparation des données
  • Analyse exploratoire des données
  • Création du modèle prédictif
  • Optimisation et évaluation du modèle
  • Visualisation des résultats
  • Création d’un tableau de bord
  • Présentation du projet final
  • Déploiement du modèle
  • Bonnes pratiques et perspectives professionnelles