• Meylan
  • Moirans
  • Sophia Antipolis
  • Les Webinaires ATP
  • Les Interviews ATP
04 76 41 14 20
Atp Formation
  • Formations
  • Certifications
  • Société
  • Contact
Plan de cours
  1. Accueil>
  2. Formations>
  3. Data Science – Deep learning>
  4. PYTHON Data Scientist avec Python
Search

Résultats pour {phrase} ({results_count} de{results_count_total})

Displaying {results_count} results of {results_count_total}

Generic filters

Formation PYTHON Data Scientist avec Python

Domaine : Data Science – Deep learning

DURÉE
5 jour(s)

 
OBJECTIFS
Savoir mettre en place un DataLake et un DataMart en SQL ou big data, puis une stratégie de Machine Learning en Python afin de créer le modèle le plus satisfaisant possible en le mesurant et en affichant les résultats, le tout en utilisant des algorithmes performants.
 
Pré-requis
Maîtriser l’algorithmique, avoir une appétence pour les mathématiques. La connaissance de Python et des statistiques est un plus.

Participants

Développeur, chef de projets proche du développement, ingénieur scientifique sachant coder.

coût

Formation en cours collectif

Nous contacter pour une formation sur mesure ou en intra

programme

Télécharger le plan de cours

Consulter le plan de cours

LIEUx de formation
Notre centre de formation à GrenobleNotre centre de formation à MoiransNotre centre de formation à Sophia Antipolis
Sur votre site en formation intraEn classe distancielle

PROGRAMME DE FORMATION
PYTHON Data Scientist avec Python

Introduction aux Data Sciences
Qu'est-ce que Python ?
Qu'est que le Machine Learning ?
Apprentissage supervisé vs non supervisé
Les statistiques
La randomisation
La loi normale
Introduction à Python pour les Data Science
Les listes en intention
Les listes
Les tuples
Les dictionnaires
Les modules et packages
L'orienté objet
Le module math
Les expressions lambda
Map, reduce et filter
Le module CSV
Les modules DB-API 2
Anaconda
Introduction aux DataLake, DataMart et DataWharehouse
Qu'est-ce qu'un DataLake ?
Les différents types de DataLake
Le Big Data
Qu'est-ce qu'un DataWharehouse ?
Qu'est qu'un DataMart ?
Mise en place d'un DataMart
Les fichiers
Les bases de données SQL
Les bases de données No-SQL
Python Package Installer
Utilisation de PIP
Installation de package PIP
PyPi
MatPlotLib
Utilisation de la bibliothèque scientifique de graphes MatPlotLib
Affichage de données dans un graphique 2D
Affichages de sous-graphes
Affichage de polynômes et de sinusoïdales
Machine Learning
Filtrage
Qu'est qu'un modèle et un dataset
Qu'est qu'une régression
Les différents types de régression
La régression linéaire
Gestion du risque et des erreurs
Quarter d'Ascombe
Trouver le bon modèle
La classification
Loi normale, variance et écart type
Apprentissage
Mesure de la performance
No Fee Lunch
La régression linéaire en Python
Programmer une régression linéaire en Python
Utilisation des expressions lambda et des listes en intention
Afficher la régression avec MatPlotLib
L'erreur quadratique
La variance
Le risque
Le Big Data
Qu'est-ce que Apache Hadoop ?
Qu'est-ce que l'informatique distribué ?
Installation et configuration de Hadoop
HDFS
Création d'un datanode
Création d'un namenode distribué
Manipulation de HDFS
Hadoop comme DataLake
Map Reduce
Hive
Hadoop comme DataMart
Python HDFS
Les bases de données NoSql
Les bases de données structurées
SQL avec SQLite et Postgresql
Les bases de données non ACID
JSON
MongoDB
Cassandra, Redis, CouchDb
MongoDB sur HDFS
MongoDB comme DataMart
PyMongo
Numpy et SciPy
Les tableaux et les matrices
L'algèbre linéaire avec Numpy
La régression linéaire SciPy
Le produit et la transposée
L'inversion de matrice
Les nombres complexes
L'algèbre complexe
Les transformées de Fourier
Numpy et Matplotlib
ScikitLearn
Le machine Learning avec SKLearn
La régression linéaire
La création du modèle
L'échantillonnage
La randomisation
L'apprentissage avec fit
La prédiction du modèle
Les metrics
Choix du modèle
PreProcessing et Pipeline
Régressions non polynomiales
Nearest Neighbors
Algorithme des k plus proches voisins (k-NN)
Modèle de classification
K-NN avec SciKitLearn
Choix du meilleur k
Sérialisation du modèle
Variance vs Erreurs
Autres modèles : SVN, Random Forest
Pandas
L'analyse des données avec Pandas
Les Series
Les DataFrames
La théorie ensembliste avec Pandas
L'importation des données CSV
L'importation de données SQL
L'importation de données MongoDB
Pandas et SKLearn
Le Clustering
Regroupement des données par clusterisation
Les clusters SKLearn avec k-means
Autres modèles de clusterisation : AffinityPropagation, MeanShift, ...
L'apprentissage semi-supervisé
Jupyter
Présentation de Jupyter et Ipython
Installation
Utilisation de Jupyter avec Mathplotlib et Sklearn
Python Yield
La programmation efficace en Python
Le générateurs et itérateurs
Le Yield return
Le Yield avec Db-API 2, Pandas et Sklearn
Les réseaux neuronaux
Le perceptron
Les réseaux neuronaux
Les réseaux neuronaux supervisés
Les réseaux neuronaux semi-supervisés
Les réseaux neuronaux par Hadoop Yarn
Les heuristiques
Le deep learning
dates des formations a grenoble
  • Formation sur mesure, nous contacter
    Intra
dates des formations a SOPHIA ANTIPOLIS
  • Formation sur mesure, nous contacter
    Intra
Cursus formation
  • Introduction à la Programmation Orientée Objet
  • PYTHON Perfectionnement
  • PYTHON Introduction au langage Python
  • Introduction à la Programmation Orientée Objet
Formations de la même thématique
  • IA : Machine Learning et Deep Learning avec Python
nos centres de formation
meylan

Meylan
3 salles de formation

moirans

Moirans
3 salles de formation

sophia antipolis

Sophia Antipolis
3 salles de formation

Atp Formation
Formation informatique à Grenoble et Sophia Antipolis

31, avenue du Granier
38 240 Meylan

170, rue de Chatagnon
38 430 Moirans

1501/1503 route des Dolines
06560 Valbonne

  • Mentions légales
  • Conditions générales de vente
  • Contact
  • Formations
  • Certifications
  • Société
  • Contact
  • Formations
  • Certifications
  • Société
  • Contact
  • Les webinaires ATP
  • Les interviews ATP