Initiation à la datascience – formation prise en charge par votre CPF

Partie 1 

Objectifs : Comprendre les enjeux et interactions avec les autres métiers et se familiariser avec l’environnement technique

• A QUOI SERT LA DATA SCIENCE

Définition et rôle du Data Scientist • Panel de projets Data Science • Principaux concepts data

• MISE EN PLACE DE L’ENVIRONNEMENT TECHNIQUE

Python, Jupyter, Scikit-Learn et Pandas • Clonage du repo et récupération des notebooks • Définition de la problématique posée : prédire combien un client va dépenser sur un site e-commerce durant la 1ere année • Roadmap projet

• ANALYSE SIMPLE DE DONNÉES

La donnée : format, nature et structure • Définition d’un ordre de grandeur • Notion d’échantillon et diversité • Présentation d’un 1er modèle abstrait et familiarisation avec les principaux concepts et le vocabulaire

• MODÈLE ABSTRAIT ET FAMILIARISATION AVEC LE MACHINE LEARNING

Qu’est-ce qu’un modèle mathématique ? • Distinction entre apprentissage supervisé et apprentissage non supervisé

Partie 2 

Objectifs : Maîtriser le vocabulaire  et implémenter un modèle apprenant

• MODÈLE LINÉAIRE À 2 VARIABLES POUR LA CLASSIFICATION

Solutions analytiques vs solutions stochastiques • Qu’est ce que la linéarité ? • Présentation du modèle linéaire • Introduction à Scitkitlearn

• CONCEPT DE RÉGRESSION

Qu’est ce que la régression ? • Mesurer la performance d’un modèle • Régression et modèle linéaire • Concept d’overfitting

• FEATURE ENGINEERING

Valeurs manquantes et valeurs catégorielles • Création de nouvelles features • Présentation de l’API Scikitlearn • Génération d’un nouveau Dataset

• KNN

KNN et régression • Histoire du KMeans • Avantages et inconvénients

• ARBRES DE DÉCISION

Qu’est-ce qu’un arbre de décision ? • Overtiffing et présentation des solutions