Python data science

Introduction au langage python :
- Pour qui ? Pour quoi faire ? Comment ?
- Les consoles et le débogage en python
- Le langage (la syntaxe, les structures (string, listes, dictionnaires...), les opérateurs et les fonctions)
- Construction d'un outil de calcul de statistiques simples
- Les classes, les objets et la création de bibliothèques

Python pour le traitement des données :
- Le processus de développement d'un outil en python pour la data science
- L'importation des données (texte, csv, Excel, web scrapping., SQL..)

La préparation et le nettoyage des données (jointure, filtre, transformation, traitement des données manquantes avec pandas, numpy et scipy)

La data visualisation :
- Présentation des principes de la data visualisation
- Quelques graphiques simples avec matplotlib : scatter plot, box plot, histogrammes... Présentation de visualisation plus avancées
- Utilisation de Bokeh pour des visualisations interactives

Introduction au machine learning :
- Présentation des principes de l'apprentissage automatique

Préparation des données avec la bibliothèque scikit-learn

Cas pratiques en machine learning :
- La prévision en marketing
- L'extraction d'informations pertinentes
- Les k-means pour la compression d'images
- Les k-plus proches voisins pour la prévision de scores
- Le traitement de données textuelles
- L'automatisation et la mise en production de traitements avec python (pipeline)

La classification d'image avec le deep learning

Les bibliothèques pour le big data et le deep learning - pyspark - keras

Discussions et démonstrations de fonctionnalités avancées sur les problématiques des participants.