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 étudiants à ingérer diverses sources de données.

Leçon 2 • Remise à niveau en mathématiques et statistiques

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

Leçon 3 • Python pour la science des données

Introduit la syntaxe Python, les structures de données et les bibliothèques scientifiques. Permet aux étudiants 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 l'encodage 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. Guide les décisions éclairées concernant le nettoyage et l'ingénierie des caractéristiques.

Leçon 3 • Méthodes de collecte de données

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

Leçon 4 • Nettoyage et imputation des données

Traite les valeurs manquantes, les doublons, les formats incohérents et les 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'entreprise.

Leçon 2 • Fondamentaux de l'inférence bayésienne

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

Leçon 3 • Cadre des tests d'hypothèse

Couvre les hypothèses nulle et alternative, les valeurs p et les types d'erreur 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. Aborde le déséquilibre des classes et la sélection du seuil.

Leçon 2 • Fondamentaux de l'apprentissage automatique

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

Leçon 3 • Modèles de régression

Couvre la régression linéaire, polynomiale et régularisée pour la prédiction d'une cible continue. Développe l'intuition pour les coefficients du modèle et les pénalités de régularisation.

Leçon 4 • Réglage des hyperparamètres et sélection de modèles

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 les itemsets fréquents et les règles d'association pour révéler les modèles de cooccurrence. 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 des caractéristiques

Applique des méthodes de filtrage, d'encapsulation et intégrées pour identifier les caractéristiques les plus prédictives. Réduit la dimensionnalité et prévient 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 respectent les 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 de séquences aux applications de TALN et de prévision.

Leçon 3 • Architecture Transformer et mécanisme d'attention

Introduit l'auto-attention, l'attention multi-têtes et le bloc transformer comme base du TALN moderne. Prépare les étudiants au fine-tuning des grands modèles de langage.

Leçon 4 • Optimisation et régularisation de l'entraînement

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 des modèles 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 un réentraînement lorsque les performances se dégradent.

Leçon 2 • CI/CD pour l'apprentissage automatique

Automatise les tests, la validation et le déploiement des pipelines ML à l'aide de pratiques d'intégration continue. Réduit les erreurs manuelles et accélère les cycles de publication.

Leçon 3 • Infrastructure ML scalable

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

Leçon 4 • Suivi des 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.