Data-Data-Science - Empire Training

Data - Data Scientist

Un data scientiste analyse et interprète des données complexes pour aider à la prise de décision stratégique et à la résolution de problèmes

Preview
Projects
Accompaniement

Objectifs de la formation Data Scientist

Operational objective:

Savoir appréhender Data Scientist.

Educational objectives:

Plus concrètement, à l’issue de cette formation Data Scientist Fondamentaux you will have acquired the knowledge and skills necessary to:

Découvrir le métier de Data Scientist et les grandes familles de problèmes
Savoir modéliser un problème de Data Science
Créer vos premières variables
Constituer votre boîte à outils de Data Scientist
Participer à une première compétition.

Who is this training for?

Audience :

Ce stage s’adresse aux Analystes, Statisticiens, Architectes, Développeurs.

Prerequisites:

Pour suivre ce cours dans les meilleures conditions possibles, il vous faut avoir certaines connaissances de base en programmation ou scripting, ainsi que quelques souvenirs de statistiques qui peuvent être un plus.

A pedagogy based on practice

Acquire essential skills by validating professional projects.
Progress with the help of a professional expert.
Gain real know-how as well as a portfolio to demonstrate it.

Contenu du cours Data Scientist :

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

Travaux Pratiques « OCR» :

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

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

Practical work:

« 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

Travaux Pratiques « 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

Travaux Pratiques « Détection d’anomalies dans les prises de paris» :

Comment un algorithme non supervisé permet-il de détecter des fraudes dans les prises de paris?

Individual and privileged supervision.

The Empire Training community

Online pre-registration

Please fill out the form

How does an Empire Training course work?

From the chosen training to their entry into their new career, our students recount each stage of their experience and the support they received.