Formation Data Engineering

Leçon 1 • Types de données et formats de stockage

Couvre les formats de données structurées, semi-structurées et non structurées ainsi que leurs systèmes de stockage. Prépare les apprenants à ingérer diverses sources de données.

Leçon 2 • Remise à niveau en mathématiques et statistiques

Révise l'algèbre linéaire, le calcul infinitésimal et les probabilités essentiels pour la modélisation. Fournit les bases quantitatives requises pour tous les chapitres suivants.

Leçon 3 • Python pour la science des données

Présente la syntaxe Python, les structures de données et les bibliothèques logicielles scientifiques. Permet aux apprenants d'écrire des scripts d'analyse reproductibles dès le premier jour.

Leçon 1 • Transformation et remodelage des données

Applique l'agrégation, le pivotement, la fusion et le codage pour restructurer les données en vue de l'analyse. Fait le pont entre les données brutes et les formats prêts pour les caractéristiques.

Leçon 2 • Analyse exploratoire des données

Enseigne le profilage systématique des ensembles de données pour détecter les distributions, les valeurs aberrantes et les relations. Oriente les décisions éclairées concernant le nettoyage et la création de caractéristiques.

Leçon 3 • Méthodes de collecte de données

Couvre le web scraping, les appels API et les requêtes de base de données comme principales stratégies d'acquisition de données. Relie l'approvisionnement en données à la conception du pipeline en aval.

Leçon 4 • Nettoyage et imputation des données

Traite des valeurs manquantes, des doublons, des formats incohérents et des entrées erronées. Garantit l'intégrité des données avant le début de la modélisation.

Leçon 1 • Tests A/B et expérimentation

Conçoit des expériences contrôlées, calcule les tailles d'échantillon et interprète correctement les résultats. Directement applicable aux rôles d'analyse de produits et d'analyse commerciale.

Leçon 2 • Fondamentaux de l'inférence bayésienne

Présente les distributions a priori et a posteriori et la mise à jour bayésienne comme paradigme d'inférence alternatif. Prépare les apprenants à la modélisation probabiliste dans les chapitres suivants.

Leçon 3 • Framework de test d'hypothèses

Couvre les hypothèses nulle et alternative, les valeurs p et les types d'erreurs pour des tests rigoureux. Relie la signification statistique à la prise de décision pratique.

Leçon 1 • Modèles de classification

Entraîne la régression logistique, les arbres de décision et les machines à vecteurs de support pour des cibles catégorielles. Traite du déséquilibre des classes et de la sélection de seuil.

Leçon 2 • Fondamentaux de l'apprentissage automatique

Définit l'apprentissage supervisé, le compromis biais-variance et le paradigme de division entraînement-test. Établit le framework conceptuel pour tous les chapitres de modélisation.

Leçon 3 • Modèles de régression

Couvre la régression linéaire, polynomiale et régularisée pour la prédiction de cibles continues. Développe l'intuition pour les coefficients du modèle et les pénalités de régularisation.

Leçon 4 • Réglage des hyperparamètres et sélection de modèle

Applique la recherche par grille, la recherche aléatoire et l'optimisation bayésienne pour maximiser les performances du modèle. Enseigne la comparaison et la sélection de modèles de manière structurée.

Leçon 1 • Apprentissage des règles d'association

Extrait des itemsets fréquents et des règles d'association pour révéler les modèles de co-occurrence. Prend en charge les applications de recommandation et d'analyse du panier d'achat.

Leçon 2 • Techniques de réduction de dimensionnalité

Applique l'ACP, le t-SNE et l'UMAP pour réduire l'espace des caractéristiques tout en préservant la structure. Permet la visualisation et accélère la modélisation en aval.

Leçon 3 • Détection d'anomalies

Identifie les valeurs aberrantes et les événements rares à l'aide d'approches statistiques et basées sur des modèles. S'applique directement aux scénarios de détection de fraude et de contrôle qualité.

Leçon 1 • Méthodes de sélection de caractéristiques

Applique les méthodes de filtre, d'encapsulage et intégrées pour identifier les caractéristiques les plus prédictives. Réduit la dimensionnalité et évite le surapprentissage.

Leçon 2 • Audit de l'équité et des biais

Détecte et atténue les biais démographiques dans les prédictions du modèle à l'aide de métriques d'équité. Garantit que les modèles répondent aux normes éthiques et organisationnelles.

Leçon 3 • Interprétabilité indépendante du modèle

Utilise SHAP et LIME pour expliquer les prédictions individuelles et le comportement global du modèle. Renforce la confiance des parties prenantes et soutient la conformité réglementaire.

Leçon 1 • Fondamentaux des réseaux de neurones

Explique les perceptrons, les fonctions d'activation, la propagation avant et la rétropropagation. Fournit les bases mathématiques pour toutes les architectures d'apprentissage profond.

Leçon 2 • Réseaux de neurones récurrents et séquences

Entraîne les RNN, LSTM et GRU pour les données séquentielles et de séries temporelles. Relie la modélisation séquentielle aux applications de traitement du langage naturel et de prévision.

Leçon 3 • Architecture Transformer et Attention

Présente l'auto-attention, l'attention multi-têtes et le bloc Transformer comme l'épine dorsale du traitement du langage naturel moderne. Prépare les apprenants au fine-tuning des grands modèles de langage.

Leçon 4 • Optimisation de l'entraînement et régularisation

Applique la normalisation par lots, le dropout, la planification du taux d'apprentissage et l'arrêt précoce pour stabiliser l'entraînement. Réduit le surapprentissage dans les modèles profonds.

Leçon 1 • Surveillance du modèle et détection de dérive

Suit la qualité des prédictions, la dérive des données et la dérive du concept en production pour maintenir la fiabilité du modèle. Déclenche des alertes et des réentraînements lorsque les performances se dégradent.

Leçon 2 • CI/CD pour l'apprentissage automatique

Automatise les tests, la validation et le déploiement des pipelines d'apprentissage automatique en utilisant des pratiques d'intégration continue. Réduit les erreurs manuelles et accélère les cycles de mise en production.

Leçon 3 • Infrastructure ML évolutive

Conçoit une infrastructure d'entraînement et d'inférence distribuée à l'aide d'outils cloud natifs et d'orchestration. Prépare les apprenants à la conception de systèmes ML à l'échelle de l'entreprise.

Leçon 4 • Suivi d'expériences et registre de modèles

Enregistre les paramètres, les métriques et les artefacts à l'aide d'outils de suivi d'expériences et de registres de modèles. Permet la reproductibilité et la collaboration en équipe sur le développement de modèles.