Spécialiste Python et Spécialisation Data Science

Expert Python

Finançable CPF

Salarié en poste / Entreprise

En ligne

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Etudiant

Prix

2450 €

Prise en charge CPF

Durée

5 jours en présentiel ou à distance

Niveau visé

Certification / Habilitation

Certifications

Datadock Qualiopi

Le plus de la formation

Formation en groupes restreints, présentiel/distanciel, interactif, formateurs salariés experts

Localité

En ligne

Vous pouvez suivre cette formation depuis chez vous ou depuis n’importe quel endroit à distance.

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

Créer son environnement de travail Python

Maîtriser les bases de Python

Concevoir une micro-application

Maîtriser les principales librairies de la Data Science

Automatiser son travail

Programme

Introduction

Qu’est-ce qu’un programme informatique ? Pourquoi et comment utiliser Python ?
Créer son environnement de travail Python
Les bonnes pratiques de Python

Les types et les structures de données

Les différents types de variables («int», «float» et «str»)
Les différentes structures de données (liste, dictionnaire et ensemble)

Les fonctions

Qu’est-ce qu’une fonction ? Comment créer une fonction?
Les méthodes natives «built-in» de Python

Les boucles

Les structures conditionnelles «if», «elif», «else»
L’itération avec «for» et «while»
L’utilisation des opérateurs logiques «and» et «or»

La compréhension de liste et de tuple

Syntaxe de la compréhension de liste et de tuple
Les fonctions anonymes : Lambda
Manipulation des listes avec l’utilisation des fonctions «range()», «len()», «enumerate()», «zip()», «filter()»…et méthode «append() », «count()»…

La compréhension de dictionnaire

Syntaxe de la compréhension de dictionnaire.
Manipulation des dictionnaires avec l’utilisation des méthodes «items()», «values()», «get()»…

Les ensembles

Manipulation des ensembles avec l’utilisation des méthodes «?union()?», «?intersection()?»…

La gestion des erreurs

Gestion des erreurs et des exceptions avec les instructions «try», «except», «raise» et «finally»

Les modules

Introduction aux modules «datetime», «random» et «statistics»

La gestion des fichiers et des répertoires

Création et manipulation de fichiers et répertoires
Gestion des chemins d’accès

Intégrations de données

Connexion base de données SQL
Connexion API

La programmation orientée objet (POO)

Le concept de classe et d’objet
Les 5 fondamentaux de la POO : L’héritage, le polymorphisme, l’abstraction, l’encapsulation et les interfaces.
Les méthodes spéciales

La construction d’une interface graphique avec Tkinter

Le concept de GUI
Construction d’une interface graphique

La distribution d’une application avec CXFreeze

Création et distribution d’une micro-application

Anaconda

Qu’est-ce qu’un environnement data ?
Présentation de la plateforme Anaconda, de ses outils Jupyter notebook et Spyder.

Numpy

Les différentes structures de données (ndarray, matrice)
Intégration de données de fichiers «.csv»
Manipulation de données (Agréger, insérer, supprimer, filtrer, slicing…)
Restructurer un tableau (Fractionner, combiner, fusionner)
Calcul matriciel
Résolution d’équation
Calcul statistique (moyenne, médiane et variance)
Les tableaux masqués

Pandas

Créer un DataFrame
Intégration de données de fichiers Excel
Indexing avec les méthodes «loc()» et «iloc()»
Manipulation de données (Filtrer, trier, supprimer, remplacer, extraire, créer des colonnes…)
Restructurer un tableau (Fractionner, combiner, fusionner, pivoter, dépivoter)
Décrire les données avec les outils statistiques

Matplotlib

Récupérer les données
Créer un visuel (courbe, diagramme, histogramme, secteur, nuage de points et visualisation 3D)
Mise en forme d’un visuel

Seaborn

Récupérer les données
Les différents types de visuels?: relation, distribution, catégorisation, corrélation, régression et multi-visuel.
Création d’un visuel : Lineplot, scatterplot, displot, hisplot, kdeplot, catplot, boxplot, heatmap…

SciPy

Interpolation
Calcul matriciel
Régression linéaire

Beautiful Soup

Généralités sur le web-scraping
Chargement d’une page WEB
Naviguer dans la structure de la page WEB
Rechercher des éléments dans la page WEB

Suivi personnalisé

avec un coach pédagogique

Sessions garanties

chaque mois

Éligible CPF

Financement facilité

Financement

Des solutions de financement pour vous aider

Financement CPF

Le Compte Personnel de Formation (CPF) permet à toute personne active en France de financer des formations pour développer ses compétences professionnelles tout au long de sa carrière.

Accessibilité et autonomie dans la formation

Évolution professionnelle et employabilité

Prise en charge financière

Centre

À propos du centre Expert Python

Nous sommes un organisme de formation spécialisé dans le langage Python, nous formons les développeurs et data scientists de demain.

Nos formateurs experts de la science des données interviennent au service d'entreprises prestigieuses (Total Lubmarine, Barclays, ESSEC Business School, Showroom privé).

Nous vous proposons des cours et des exercices de qualité pour apprendre à coder et traiter la data. Voici quelques point que nous allons aborder ensemble :

Les bases de Python
Pour acquérir des compétences solides sur ce langage informatique mutliparadigme. Idéal pour les développeurs et programmeurs débutants. Un apprentissage pour automatiser, coder, programmation orientée objet (POO).

L'environnement Python
Pour maîtriser les environnements différents de Python : PyCharm de Jetbrain (IDE), Anaconda (open source). Construisez et développez des projets avancés.

Intégration de données
Pour data analyst / data engineer : Apprenez la collecte des données avec Pandas, la connexion aux API, bases de données Mysql ou encore le web Scraping avec le framework Scrapy.

Traitement des données
Pour nettoyer, filtrer et fusionner les données avec les bibliothèques Pandas et Numpy, dédiées à la data science. Utilisez des scripts pour programmer.

Statistique et analyse de données
Pour le codage et la création de modèles statistiques avancés : Coefficients de corrélation, régressions linéaires, nuages de points, séries chronologiques.

Librairies de visualisation
Pour apprendre à visualiser les données traitées : histogrammes, courbes, secteurs, nuages de points... Avec les nombreuses bibliothèques Python et interfaces : Matplotlib (code simple et intuitif), Seaborn, Bokeh ou encore Geoplotlib.