DATA SCIENTIST | Titre RNCP niveau 7 - Bac +5 | Co-certifiée école MINES Paris - PSL

Divisé en 8 blocs, le cursus de Data Scientist, accessible en format intensif de 11 semaines ou continu de 9 mois, saura apporter toutes les connaissances et compétences nécessaires au métier sous-jacent.

1. Introduction à Python

Fondamentaux de python
 - Découverte des différentes variables, listes et Tuples
 - Présentation des divers opérateurs et structures de contrôle
 - Initiation au concept de boucles et ses différents types
 - Introduction aux fonctions et leurs documentations
 - Instanciation de classes et utilisation de modules

NumPy
  - Création et manipulation d'un Numpy Array
  - Présentation des opérations matricielles et manipulation d'un Numpy Array
  - Création d'un indicateur statistique et opérations sur le Numpy Array  

Pandas
  - Introduction à la bibliothèques Pandas
  - Chargement et première exploration d'un jeu de données
  - Introduction au Data Cleaning
  - Introduction au Data Processing

2. Data Visualisation

Matplotlib
  - Présentation de différents types de graphes:
    - Courbe
    - Graphique
    - Nuage de points
    - Histogrammes
  - Introduction à la personnalisation de graphiques

Seaborn
  - Maîtrise de l'analyse de distribution
  - Mise en place de l'analyse statistique
  - Initiation à l'analyse multivariée

Bokeh
  - Formation à tous types de graphiques interactifs et intégrables sur page Web
  - Visualisation de données géographiques
  - Découverte des Widgets et création

3. Machine learning supervisé

Classification simple de modèles
  - Introduction à SciKit Learn
  - Présentation de la Classification SVM
  - Application de la méthode K-Nearest neighbors

Classification simple de modèles
  - Sélection de modèles
  - Classification semi-supervisée

4. Machine Learning Non-supervisé

Méthode de Clustering 
  - Présentation des algorithmes K-moyenne
  - Découvertes des algorithmes de mean shift

Méthode de Régression 
  - Introduction à la régression linéaire simple et multiple
  - Introduction à la régression linéaire régularisée

Méthode de réduction de dimension
  - Feature selection process
  - Initiation aux analyses en composantes principales
  - Application de l'approche Manifold Learning

5. Machine Learning Avancé

Séries temporelles avec Statsmodels
  - Découverte des modèles de base
  - Découverte des modèles ARIMA

Text mining
  - Introduction aux expressions régulières
  - Gestion de données textuelles
  - Création d'un WorldCloud
 
Machine Learning et théorie des graphes avec Network X
  - Introduction à la théorie des graphes
  - Application des algorithmes fondamentaux: Krustal et Dijkstra
  - Détection de communautés
  - Application de l'algorithme PageRank au classement de page Web 

6. Big Data / Database

Introduction au Data Engineering et Big Data
  - Introduction aux 3V du Big Data
  - Présentation des bases de données et architectures
  - Mise en production de données

Data Processing et Machine Learning sur des grandes bases de données avec PySpark
  - Introduction à PySpark
  - Découverte des différentes fonctions de PySpark:
    - Data Processing
    - Data Frames
    - Regression avec PySpark
    - ML pipelines
    - Model Turning

7. Deep Learning

Deep Learning avec le framework Keras
  - Découverte des concepts fondamentaux :
    - Dense Neural Networks
    - Convolutional Neural Networks
    - Architecture LeNet
    - Transfer Learning

Introduction à Tensorflow 2.0
  - Mise en relation de Tensorlfow et Keras
  - Application du Word Embedding avec Word2vec
  - Présentation du Recurent Neural Network
  - Présentation du Generative adversial Network

8. Système Complexe & IA

Reinforcement learning
  - Définition des éléments de l'apprentissage par renforcement 
  - Mise au point sur les fondamentaux mathématiques pour le reinforcement learning
  - Présentation de la principale famille d'algorithmes de reinforcement learning : Monte Carlo
  - Application des algorithmes d'apprentissage par différence temporelle : SARSA
  - Application des algorithmes d'apprentissage par différence temporelle : Q-Learning
  - Comparaison entre Temporal Difference Learning et Monte Carlo

Deep reinforcement learning
  - Introduction au Deep Reinforcement Learning
  - Compréhension des fondements des méthodes basées sur la valeur
  - Compréhension des problèmes de variances élevés, des risques de surestimations et application des méthodes de résolution
  - Introduction à la méthode de Policy Gradient
  - Compréhension des principes fondamentaux de la structure Acteur-Critique utilisée dans l'apprentissage en Deep Reinforcement Learning
  - Application à des Business Cases

+ Le projet fil-rouge