Formation Data Science et Data Analytics

Leçon 1 • Le spectre de l'analytique

Présente l'analytique descriptive, diagnostique, prédictive et prescriptive. Les apprenants associent chaque type à des questions métier et à des résultats attendus.

Leçon 2 • Ce qu'est la science des données

Définit la science des données, son périmètre et en quoi elle diffère des statistiques et du génie logiciel. Établit le vocabulaire utilisé tout au long de la formation.

Leçon 3 • Types et structures de données

Couvre les formats de données structurés, semi-structurés et non structurés. Relie la connaissance des types de données à la sélection appropriée d'outils et de méthodes.

Leçon 1 • Options de stockage NoSQL et Cloud

Passe en revue les magasins NoSQL document, clé-valeur et colonnaire, ainsi que le stockage objet dans le cloud. Les apprenants sélectionnent les types de stockage en fonction du volume de données et des modèles de requêtes.

Leçon 2 • Sources de données primaires et secondaires

Distingue les données de première, deuxième et troisième parties et leurs compromis. Ancre la sélection des sources dans des critères de fiabilité et de pertinence.

Leçon 3 • Construction de pipelines de données simples

Combine les compétences de collecte et de stockage dans des workflows d'ingestion automatisés. Les apprenants écrivent des scripts qui extraient, transforment et chargent les données de manière fiable.

Leçon 4 • Web scraping et API

Enseigne la récupération programmatique de données à l'aide d'API REST et de scraping HTML. Les apprenants extraient et analysent des données réelles provenant de sources web en direct.

Leçon 1 • Techniques de transformation de données

Applique la normalisation, la standardisation, l'encodage et le regroupement pour préparer les caractéristiques. Relie les transformations aux exigences de compatibilité des modèles en aval.

Leçon 2 • Remodelage et fusion d'ensembles de données

Enseigne le pivotement, la fonte, la concaténation et la jointure de plusieurs DataFrames. Les apprenants consolident les données multi-sources en tableaux analytiques unifiés.

Leçon 3 • Bases de l'analyse exploratoire des données

Utilise des statistiques descriptives et des distributions pour comprendre les caractéristiques des ensembles de données. Fournit la perspective diagnostique nécessaire avant tout nettoyage.

Leçon 4 • Gestion des données manquantes et corrompues

Couvre les stratégies de détection, d'imputation et de suppression pour les enregistrements incomplets. Les apprenants choisissent des méthodes en fonction des mécanismes de données manquantes (MCAR, MAR, MNAR).

Leçon 1 • Principes de visualisation efficace

Couvre les principes perceptuels, le choix des graphiques et les pièges courants de visualisation. Ancre les décisions de conception dans la compréhension du public et l'intégrité des données.

Leçon 2 • Visualisation interactive avec Plotly

Crée des graphiques et des tableaux de bord avec survol et zoom à l'aide de Plotly et Dash. Étend les compétences statiques à une exploration prête pour le web et pilotée par l'utilisateur.

Leçon 3 • Narration par les données et présentation

Structure les résultats analytiques en récits cohérents pour les publics exécutifs. Les apprenants élaborent des jeux de diapositives et des rapports qui orientent les décisions.

Leçon 4 • Visuels géospatiaux et multivariés

Introduit les cartes choroplèthes, les heatmaps et les coordonnées parallèles pour les données complexes. Les apprenants visualisent efficacement les relations spatiales et multidimensionnelles.

Leçon 1 • Cadre de test d'hypothèses

Introduit les hypothèses nulle et alternative, les valeurs p et les erreurs de type I et II. Les apprenants appliquent le cadre à des questions métier et scientifiques réelles.

Leçon 2 • Tests statistiques courants

Applique les tests t, le chi-carré, l'ANOVA et les tests de Mann-Whitney aux types de données appropriés. Les apprenants sélectionnent les tests en fonction de l'échelle des données et des hypothèses de distribution.

Leçon 3 • Analyse de corrélation et de régression

Mesure les relations linéaires et construit des modèles de régression simple et multiple. Fait le pont entre les statistiques descriptives et la modélisation prédictive introduite plus tard.

Leçon 4 • Probabilités et distributions

Couvre les règles de probabilité, les variables aléatoires et les distributions clés (normale, binomiale, Poisson). Fournit la base mathématique pour tout travail inférentiel.

Leçon 1 • Algorithmes de régression

Étend la régression linéaire aux modèles régularisés (Ridge, Lasso) et aux régresseurs basés sur les arbres. Les apprenants prédisent des résultats continus et interprètent les coefficients.

Leçon 2 • Concepts clés du ML et workflow

Définit les divisions entraînement, validation et test, le compromis biais-variance et le surapprentissage. Établit le pipeline ML de bout en bout utilisé dans chaque modèle suivant.

Leçon 3 • Évaluation et sélection des modèles

Utilise la validation croisée, les matrices de confusion, la ROC-AUC et la RMSE pour évaluer les modèles. Les apprenants sélectionnent le meilleur modèle pour une tâche donnée en utilisant des métriques objectives.

Leçon 4 • Algorithmes de classification

Couvre la régression logistique, les arbres de décision, les k-NN et les machines à vecteurs de support. Les apprenants entraînent et comparent des classifieurs sur des ensembles de données étiquetés.

Leçon 1 • Optimisation des hyperparamètres

Applique la recherche par grille, la recherche aléatoire et l'optimisation bayésienne pour régler les modèles. Les apprenants automatisent le réglage et documentent systématiquement les gains de performance.

Leçon 2 • Fondamentaux des réseaux de neurones

Construit des réseaux feedforward avec Keras, couvrant les couches, les activations et la rétropropagation. Relie les mécanismes des réseaux de neurones aux modèles d'apprentissage profond qui suivent.

Leçon 3 • Bases du traitement du langage naturel

Couvre la tokenisation, TF-IDF, les plongements de mots et la classification basée sur les transformeurs. Les apprenants construisent des classifieurs de texte et des analyseurs de sentiments.

Leçon 4 • Méthodes d'ensemble

Couvre le bagging, le boosting et le stacking avec Random Forest, XGBoost et LightGBM. Les apprenants règlent les ensembles pour atteindre une performance de pointe sur données tabulaires.

Leçon 1 • Construction d'API REST pour les modèles

Enveloppe les modèles entraînés dans des endpoints FastAPI pour l'inférence en temps réel. Les apprenants testent, documentent et sécurisent les API de prédiction.

Leçon 2 • Empaquetage et sérialisation des modèles

Sauvegarde et chargement de modèles à l'aide de pickle, joblib et ONNX pour la portabilité. Garantit la reproductibilité entre les environnements et les membres de l'équipe.

Leçon 3 • Conteneurisation avec Docker

Empaquetez les API de modèles dans des conteneurs Docker pour un déploiement cohérent et portable. Les apprenants écrivent des Dockerfiles et gèrent des images pour les services ML.

Leçon 4 • Déploiement et passage à l'échelle dans le cloud

Déploie des modèles conteneurisés sur des plateformes cloud à l'aide de services gérés. Les apprenants configurent la mise à l'échelle automatique et l'équilibrage de charge pour le trafic de production.