Fondamentaux de la Data Science Mixte : présentiel / à distance

Dernière mise à jour : 06/07/2024

S'initier à la pratique de la Data Science et constituer sa première boîte à outils de Data Scientist

Type : Stage pratique

Description

Surfant sur la vague du Big Data, le data scientist joue un rôle clé dans la valorisation de données. Au-delà des paillettes, quel est son rôle, ses outils, sa méthodologie, ses "tips and tricks" ? Venez le découvrir au travers de cette initiation à la Data Science délivrée par des data scientists renommés qui vous apporteront l'expérience des compétitions de Data Science et leurs riches retours d'expérience des modèles réels qu'ils mettent en place chez leurs clients.

Objectifs de la formation

  • Découvrir le monde de la Data Science et les grandes familles de problèmes
  • Savoir modéliser un problème de Data Science
  • Créer ses premières variables
  • Constituer sa boite à outils de data scientist

Public visé

  • Analyste
  • Statisticien
  • Architecte
  • Développeur

Prérequis

Connaissances de base en programmation ou scripting. Quelques souvenirs de statistiques sont un plus.

Modalités pédagogiques

Formation avec apports théoriques, échanges sur les contextes des participants et retours d'expérience pratique du formateur, complétés de travaux pratiques et de mises en situation.

Profil du / des Formateur(s)

Cette formation est dispensée par un·e ou plusieurs consultant·es d'OCTO Technology ou de son réseau de partenaires, expert·es reconnus des sujets traités.

Le processus de sélection de nos formateurs et formatrices est exigeant et repose sur une évaluation rigoureuse leurs capacités techniques, de leur expérience professionnelle et de leurs compétences pédagogiques.

Modalités d'évaluation et de suivi

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique.

Afin de valider les compétences acquises lors de la formation, un formulaire d'auto-positionnement est envoyé en amont et en aval de celle-ci.

En l'absence de réponse d'un ou plusieurs participants, un temps sera consacré en ouverture de session pour prendre connaissance du positionnement de chaque stagiaire sur les objectifs pédagogiques évalués.

Une évaluation à chaud est également effectuée en fin de session pour mesurer la satisfaction des stagiaires et un certificat de réalisation leur est adressé individuellement.

Programme

Jour 1

 

INTRODUCTION AU BIG DATA

Qu'est-ce-que le Big Data ?

L'écosystème technologique du Big Data

 

INTRODUCTION À LA DATA SCIENCE

Le vocabulaire d'un problème de Data Science

De l'analyse statistique au machine learning

Overview des possibilités du machine learning

 

MODÉLISATION D'UN PROBLÈME

Input / ouput d'un problème de machine learning

Mise en pratique "OCR"

  • Nous verrons comment modéliser le problème de la reconnaissance optique de caractère

 

IDENTIFIER LES FAMILLES D'ALGORITHMES DE MACHINE LEARNING

Analyse supervisée

Analyse non supervisée

Classification / régression

 

SOUS LE CAPOT DES ALGORITHMES : LA RÉGRESSION LINÉAIRE

Quelques rappels : fonction hypothèse, fonction convexe, optimisation

La construction de la fonction de coût

Méthode de minimisation : la descente de gradient

 

SOUS LE CAPOT DES ALGORITHMES : LA RÉGRESSION LOGISTIQUE

Frontière de décision

La construction d'une fonction de coût convexe pour la classification

 

LA BOITE À OUTIL DU DATA SCIENTIST

Introduction aux outils

Introduction à python, pandas et scikit-learn

 

CAS PRATIQUE N°1 : "PRÉDIRE LES SURVIVANTS DU TITANIC"

Exposé du problème

Première manipulation en python

 

Jour 2

 

RAPPELS ET RÉVISION DU JOUR 1

 

QU'EST-CE QU'UN BON MODÈLE ?

Cross-validation

Les métriques d'évaluation : precision, recall, ROC, MAPE, etc

 

LES PIÈGES DU MACHINE LEARNING

Overfitting ou sur-apprentissage

Biais vs variance

La régularisation : régression Ridge et Lasso

 

DATA CLEANING

Les types de données : catégorielles, continues, ordonnées, temporelles

Détection des outliers statistiques, des valeurs aberrantes

Stratégie pour les valeurs manquantes

Mise en pratique : "Remplissage des valeurs manquantes"

 

FEATURE ENGINEERING

Stratégies pour les variables non continues

Détecter et créer des variables discriminantes

 

CAS PRATIQUE N°2 : "PRÉDIRE LES SURVIVANTS DU TITANIC"

Identification et création des bonnes variables

Réalisation d'un premier modèle

Soumission sur Kaggle

 

DATA VISUALISATION

La visualisation pour comprendre les données : histogramme, scatter plot, etc

La visualisation pour comprendre les algorithmes : train / test loss, feature importance, etc

 

INTRODUCTION AUX MÉTHODES ENSEMBLISTES

Le modèle de base : l'arbre de décision, ses avantages et ses limites

Présentation des différentes stratégies ensemblistes : bagging, boosting, etc

Mise en pratique : "Retour sur le titanic"

  • Utilisation d'une méthode ensembliste sur la base du précédent modèle

 

APPRENTISSAGE SEMI-SUPERVISÉ

Les grandes classes d'algorithmes non supervisées : clustering, PCA, etc

Mise en pratique : "Détection d'anomalies dans les prises de paris"

  • Nous verrons comment un algorithme non supervisé permet de détecter des fraudes dans les prises de paris

 

Jour 3

 

RAPPELS ET RÉVISIONS

Synthèse des points abordés en journées 1 et 2

Approfondissement des sujets sélectionnés avec l'intervenant

 

MISE EN PRATIQUE

Le dernier jour est entièrement consacré à des mises en pratique

 

SÉLECTION ET PARTICIPATION À UNE COMPÉTITION

Le formateur sélectionnera une compétition en cours sur Kaggle ou datasciencenet qui sera démarrée en jour 3 par l'ensemble des participants

Exposé (%)

60

Pratique (%)

30

Echanges (%)

10

Session sélectionnée

  • 03/02/25 → 05/02/25
    Classe virtuelle
  • Détails :

    03/02/25 : 9:30 → 12:30
    13:30 → 17:30
    04/02/25 : 9:00 → 12:30
    13:30 → 17:00
    05/02/25 : 9:00 → 12:30
    13:30 → 17:00

Prochaines Sessions

  • 18/11/24 → 20/11/24
    OCTO Academy - Salle Grace Hopper - PARIS -
  • 21/05/25 → 23/05/25
    OCTO Academy - PARIS -
  • 15/09/25 → 17/09/25
    OCTO Academy - PARIS -
  • 01/12/25 → 03/12/25 À distance
    Classe virtuelle

Dans la même catégorie

Retour Site