Data science

MODULE 1 : PRINCIPES DE BASE DU PYTHON

• Introduction à python
• Installation de Python et de l’IDE
• Objets Python
• Types de données de base Python
• Chiffres et booléens, chaînes de caractères
• Opérateurs arithmétiques
• Opérateurs de comparaison
• Opérateurs d’affectation
• Précédence et associativité des opérateurs

MODULE 2 : INSTRUCTIONS DE CONTRÔLE PYTHON

• IF Déclaration conditionnelle
• IF-ELSE
• NESTED IF
• Les bases des boucles Python
• Déclaration WHILE
• Déclarations FOR
• Déclarations BREAK et CONTINUE

MODULE 3 : STRUCTURES DE DONNÉES PYTHON

• Structure de données de base en python
• Principes de base de l’objet chaîne et méthodes intégrées
• Liste : Objet, méthodes, compréhensions
• Tuple : Objet, méthodes, compréhensions
• Ensembles : Objet, méthodes, compréhensions
• Dictionnaire : Objet, méthodes, compréhensions

MODULE 4 : FONCTIONS PYTHON

• Fonctions de base
• Fonction Passage des paramètres
• Itérateurs
• Fonctions du générateur
• Fonctions lambda
• Fonctions de mappage, de réduction et de filtrage

MODULE 5 : PAQUET PYTHON NUMPY

• Introduction à NumPy
• Tableau – Structure de données
• Fonctions principales de NumPy
• Opérations matricielles

MODULE 6 : PAQUET PYTHON PANDAS

• Fonctions Pandas
• Cadre de données et séries – Structure des données
• L’analyse des données avec les Pandas
• Imputation et analyse des valeurs aberrantes

MODULE 1 : L’ESSENTIEL DE LA SCIENCE DES DONNÉES

• Introduction à la Data Science
• Terminologie de la Data Science
• Classifications des analyses
• Flux de travail d’un projet de Data Science

MODULE 2 : FONDEMENTS DE L’INGÉNIERIE DES DONNÉES

• Introduction à l’ingénierie des données
• Importance de l’ingénierie des données
• Écosystèmes d’outils d’ingénierie des données
• Concepts fondamentaux de l’ingénierie des données

MODULE 3 : PYTHON POUR LA SCIENCE DES DONNÉES

• Introduction à Python
• Types de données et opérateurs Python
• Déclarations et fonctions de contrôle des flux
• Données structurées et non structurées
• Introduction au package Python Numpy
• Structures de données en tableau dans Numpy
• Opérations et méthodes sur les tableaux
• Introduction au paquet Python Pandas
• Structures de données : Séries et DataFrame
• Méthodes clés de Pandas DataFrame

MODULE 4 : VISUALISATION AVEC PYTHON

• Paquets de visualisation (Matplotlib)
• Composantes d’un graphe, sous-graphes
• Graphiques de base : Ligne, barre, graphique, nuage de points
• Visualisations de données avancées en Python

MODULE 5 : L’ESSENTIEL DU LANGAGE R

• Installation et configuration de R
• R STUDIO – Env de développement R
• Bases du langage R et structures de données
• Structures de données R, instructions de contrôle*

MODULE 6 : STATISTIQUES

• Statistiques descriptives et inférentielles
• Types de données, types d’échantillonnage
• Mesures des tendances centrales
• Variabilité des données : Écart-type
• Z-Score, valeurs aberrantes, distribution normale
• Théorème de la limite centrale
• Histogramme, tests de normalité
• Skewness et Kurtosis
• Comprendre les tests d’hypothèse
• Méthode de la valeur P, types d’erreurs
• Distribution T, test T à un échantillon
• Tests T indépendants et relationnels
• Corrélation directe et indirecte
• Théorie de la régression

MODULE 7 : INTRODUCTION À L’APPRENTISSAGE AUTOMATIQUE

• Introduction à l’apprentissage automatique
• Concepts fondamentaux de l’apprentissage automatique
• Apprentissage non supervisé et supervisé
• Clustering avec K-Means
• Modèles de régression et de classification.
• Algorithme de régression : Régression linéaire
• Évaluation des modèles ML
• Algorithme de classification : Régression logistique

MODULE 1 : INTRODUCTION À L’APPRENTISSAGE AUTOMATIQUE (ML)

• Qu’est-ce que ML ? L’apprentissage automatique (ML) et l’intelligence artificielle (AI)
• Flux de travail de l’apprentissage automatique, algorithmes d’apprentissage automatique populaires
• Regroupement, classification et régression
• Supervisé ou non supervisé

MODULE 2 : ALGO ML : RÉGRESSION LINÉAIRE

• Introduction à la régression linéaire
• Fonctionnement : Régression et ligne de meilleur ajustement
• Modélisation et évaluation en Python

MODULE 3 : ML ALGO : RÉGRESSION LOGISTIQUE

• Introduction à la régression logistique
• Fonctionnement : Classification et courbe sigmoïde
• Modélisation et évaluation en Python

MODULE 4 : ML ALGO : KNN

• Introduction au KNN
• Comment ça marche : Concept du plus proche voisin
• Modélisation et évaluation en Python

MODULE 5 : ML ALGO : K MEANS CLUSTERING

• Comprendre le clustering (non supervisé)
• Algorithme K Means
• Comment ça marche : théorie de K Means
• Modélisation en Python

MODULE 6 : ANALYSE EN COMPOSANTES PRINCIPALES (PCA)

• Éléments constitutifs de l’ACP
• Comment cela fonctionne-t-il ? Trouver les composantes principales
• Modélisation de l’ACP en Python

MODULE 7 : ML ALGO : ARBRE DE DÉCISION

• Technique d’ensemble Random Forest
• Comment cela fonctionne-t-il ? Théorie du bagging
• Modélisation et évaluation en Python

MODULE 8 : ML ALGO : NAÏVE BAYES

• Introduction à Naive Bayes
• Comment cela fonctionne-t-il ? Théorème de Bayes
• Naive Bayes pour la classification de textes
• Modélisation et évaluation en Python

MODULE 9 : BOOSTING DE GRADIENT, XGBOOST

• Introduction au boosting et à XGBoost
• Fonctionnement : concept des apprenants faibles
• Modélisation et évaluation en Python

MODULE 10 : ALGO ML : MACHINE À VECTEURS DE SUPPORT (SVM)

• Introduction au SVM
• Fonctionnement : Concept du SVM, astuce du noyau
• Modélisation et évaluation des SVM en Python

MODULE 11 : RÉSEAU DE NEURONES ARTIFICIELS (ANN)

• Introduction à l’ANN
• Fonctionnement : Back prop, Gradient Descent
• Modélisation et évaluation de l’ANN en Python

MODULE 12 : CONCEPTS ML AVANCÉS

• Métriques avancées (Roc_Auc, R2, Précision, Recall)
• Validation croisée K-Fold
• Grille et recherche aléatoire CV dans Sklearn
• Ensemble de données déséquilibrées : Technique de Smote
• Techniques de sélection des caractéristiques

MODULE 1 : PRÉVISION DES SÉRIES TEMPORELLES – ARIMA

• Qu’est-ce qu’une série temporelle ?
• Tendance, saisonnalité, cyclique et aléatoire
• Modèle autorégressif (AR)
• Modèle de moyenne mobile (MA)
• Stationnarité des séries temporelles
• Modèle ARIMA
• Autocorrélation et AIC

MODULE 2 : INGÉNIERIE DES CARACTÉRISTIQUES

• Introduction à l’ingénierie des caractéristiques
• Transformation des prédicteurs
• Méthodes de sélection des caractéristiques
• Technique d’élimination à rebours
• Importance des caractéristiques à partir de la modélisation ML

MODULE 3 : ANALYSE DU SENTIMENT

• Introduction à l’analyse de sentiments
• Paquets Python : TextBlob, NLTK
• Étude de cas : Analyse de sentiment en direct sur Twitter

MODULE 4 : EXPRESSIONS RÉGULIÈRES AVEC PYTHON

• Introduction aux expressions régulières
• Codes Regex
• Extraction de texte avec Python Regex

MODULE 5 : DÉPLOIEMENT DE MODÈLES ML AVEC FLASK

• Introduction à Flask
• Routage d’URL et d’App
• Application Flask – Déploiement de modèles ML

MODULE 6 : ANALYSE AVANCÉE DES DONNÉES AVEC MS EXCEL

• Fonctions de base de MS Excel
• Tableau croisé dynamique
• Fonctions avancées (VLOOKUP, INDIRECT..)
• Régression linéaire avec EXCEL
• Analyse de la recherche d’objectifs
• Tableau de données
• Résolution d’équations de données avec EXCEL
• Simulation de Monte Carlo avec MS EXCEL

MODULE 7 : AWS CLOUD POUR LA SCIENCE DES DONNÉES

• Introduction au cloud
• Différence entre GCC, Azure, AWS
• Service AWS (service EC2 et S3)
• Service AWS (AMI), Service AWS (RDS)
• Service AWS (IAM), AWS (service Athena)
• AWS (EMR), AWS, AWS (Redshift)
• Modélisation ML avec AWS Sage Maker

MODULE 8 : AZURE POUR LA SCIENCE DES DONNÉES

• Introduction à AZURE ML studio
• Pipeline de données et modélisation ML avec Azure

MODULE 1 : INTRODUCTION À GIT

• Objectif du contrôle de version
• Outils populaires de contrôle de version
• Distribution de Git Contrôle de version
• Terminologie
• Flux de travail Git
• Architecture Git

MODULE 2 : REPOSITORY GIT et GitHub

• Introduction à Git Repo
• Créer un nouveau repo avec la commande Init
• Copier un repo existant
• Utilisateur Git et nœud distant
• Statut Git et rebase
• Revue de l’historique du repo
• GitHub Cloud Remote Repo

MODULE 3 : COMMITS, PULL, FETCH ET PUSH

• Commits de code
• Pull, Fetch et résolution de conflits
• Pousser vers Remote Repo

MODULE 4 : BALISAGE, BRANCHEMENT ET FUSION

• Organiser le code avec des branches
• Vérifier la branche
• Fusionner les branches

MODULE 5 : ANNULER LES MODIFICATIONS

• Édition des modifications (Commits)
• Commande Commit Indicateur de modification
• Git reset et revert

MODULE 6 : GIT AVEC GITHUB ET BITBUCKET

• Création d’un compte GitHub
• Repo local et distant
• Collaborer avec d’autres développeurs
• Compte Git Bitbucket

MODULE 1 : INTRODUCTION AU BIG DATA

• Aperçu du Big Data
• Les cinq aspects du Big Data
• Qu’est-ce que le Big Data et Hadoop ?
• Introduction à Hadoop
• Composants de l’écosystème Hadoop
• Introduction à l’analyse des Big Data

MODULE 2 : HDFS ET MAP REDUCE

• HDFS – Stockage des Big Data
• Traitement distribué avec Map Reduce
• Concepts des étapes de mappage et de réduction
• Termes clés : Format de sortie, partitionneurs, combinateurs, mélange et tri
• Travaux pratiques sur Map Reduce

MODULE 3 : FONDATION DE PYSPARK

• Introduction à PySpark
• Configuration de Spark
• Ensembles de données distribués résilients (RDD)
• Travailler avec des RDD dans PySpark
• Agréger des données avec des RDDs en paire

MODULE 4 : SPARK SQL et HADOOP HIVE

• Présentation de Spark SQL
• Spark SQL vs Hadoop Hive
• Travailler avec le langage de requête Spark SQL

MODULE 5 : APPRENTISSAGE AUTOMATIQUE AVEC SPARK ML

• Introduction à MLlib Divers algorithmes ML supportés par MLib
• Modèle ML avec Spark ML.
• Régression linéaire
• Régression logistique
• Forêt aléatoire

MODULE 6 : KAFKA et Spark

• Architecture de Kafka
• Flux de travail Kafka
• Configuration du cluster Kafka
• Opérations

MODULE 1 : INTRODUCTION À LA VEILLE STRATÉGIQUE

• Qu’est-ce que la Business Intelligence (BI) ?
• Qu’est-ce que la BI au cœur des décisions d’affaires ?
• L’évolution de la BI
• Intelligence d’affaires et analyse d’affaires
• Décisions basées sur les données avec les outils de BI
• La méthodologie Crisp-Dm

MODULE 2 : BI AVEC TABLEAU : INTRODUCTION

• L’interface Tableau
• Le classeur Tableau, les feuilles et les tableaux de bord
• Tableaux filtres, lignes et colonnes
• Dimensions et mesures
• Distribution et publication

MODULE 3 : TABLEAU : CONNEXION AUX SOURCES DE DONNÉES

• Connexion à un fichier de données, à un serveur de base de données
• Gestion des champs
• Gestion des extraits
• Sauvegarde et publication des sources de données
• Préparation des données avec des fichiers texte et Excel
• Types de jointures avec union
• Jointures entre bases de données
• Mélange de données
• Connexion aux fichiers PDF

MODULE 4 : TABLEAU : PERSPECTIVES D’AFFAIRES

• Premiers pas dans l’analyse visuelle
• Exploration et hiérarchies
• Tri et regroupement
• Créer et travailler avec des ensembles
• Utilisation de l’étagère de filtres
• Filtres interactifs
• Paramètres
• Le volet de formatage
• Lignes de tendance et lignes de référence
• Prévision
• Regroupement

MODULE 5 : TABLEAUX DE BORD, HISTOIRES ET PAGES

• Tableaux de bord et histoires Introduction
• Construction d’un tableau de bord
• Objets du tableau de bord
• Formatage du tableau de bord
• Interactivité du tableau de bord à l’aide d’actions
• Points d’histoire
• Animation avec les pages

MODULE 6 : BI AVEC POWER-BI

• Les bases de Power BI
• Visualisations de base
• Perspectives d’affaires avec Power BI

MODULE 1 : INTRODUCTION À LA BASE DE DONNÉES

• Vue d’ensemble de la base de données
• Concepts clés de la gestion des bases de données
• Opérations CRUD
• Système de gestion de bases de données relationnelles
• RDBMS vs No-SQL (Document DB)

MODULE 2 : BASES SQL

• Introduction aux bases de données
• Introduction à SQL
• Commandes SQL
• Installation de MY SQL workbench
• Commentaires
• importer et exporter des données

MODULE 3 : TYPES DE DONNÉES ET CONTRAINTES

• Type de données numériques, caractères, date et heure
• Clé primaire, Clé étrangère, Non nul
• Unique, Vérification, Défaut, Incrémentation automatique

MODULE 4 : Bases de données et tables (MySQL)

• Créer une base de données
• Supprimer une base de données
• Afficher et utiliser les bases de données
• Créer une table, Renommer une table
• Supprimer une table, Supprimer les enregistrements d’une table
• Créer une nouvelle table à partir de types de données existants
• Insérer dans, Mettre à jour les enregistrements
• Modifier un tableau

MODULE 5 : JOINTS SQL

• Jointure interne
• Jointure externe
• Jointure gauche
• Jointure droite
• Jointure croisée
• Jointure entre soi

MODULE 6 : COMMANDES ET CLAUSES SQL

• Sélection, Sélection distincte
• Alias, clause Where
• Opérateurs relationnels, logiques
• Entre, Ordre par, Dans
• Like, Limit, null/not null, group by
• Avoir, Sous-requêtes

MODULE 7 : BASE DE DONNÉES DE DOCUMENTS/BASE DE DONNÉES NON SQL

• Introduction de Document DB
• Document DB vs SQL DB
• Bases de données documentaires populaires
• Les bases de MongoDB
• Format des données et méthodes clés
• Gestion des données MongoDB

MODULE 1 : VUE D’ENSEMBLE DE L’INTELLIGENCE ARTIFICIELLE

• Évolution de l’intelligence humaine
• Qu’est-ce que l’intelligence artificielle ?
• Histoire de l’intelligence artificielle.
• Pourquoi l’intelligence artificielle aujourd’hui ?
• Terminologie de l’Ai
• Domaines de l’intelligence artificielle
• Ai Vs Data Science Vs Machine Learning

MODULE 2 : INTRODUCTION AU DEEP LEARNING

• Réseau neuronal profond
• Apprentissage automatique vs apprentissage profond
• Apprentissage des caractéristiques dans les réseaux profonds
• Applications des réseaux d’apprentissage profond

MODULE 3 : FONDATION DE TENSORFLOW

• Installation et configuration de TensorFlow
• Structure et modules de TensorFlow
• Travaux pratiques : modélisation ML avec TensorFlow

MODULE 4 : INTRODUCTION À LA VISION PAR ORDINATEUR

• Notions d’image
• Réseau de neurones à convolution (CNN)
• Classification d’images avec CNN
• Travaux pratiques : classification des chats et des chiens avec le réseau CNN

MODULE 5 : TRAITEMENT DU LANGAGE NATUREL (TLN)

• Introduction au NLP
• Modèles de sacs de mots
• Intégration de mots
• Modélisation du langage
• Travaux pratiques : Algorithme BERT

MODULE 6 : QUESTIONS ET PRÉOCCUPATIONS ÉTHIQUES LIÉES À L’AI

• Questions et préoccupations liées à l’intelligence artificielle
• Ai et préoccupations éthiques
• L’IA et les préjugés
• Ai : Éthique, partialité et confiance