Combien de temps dure la formation ?

3,00 jour(s)

Dans quelle(s) langue(s) la formation est-elle donnée ?

EN FR

Quand a lieu la prochaine session ?

23.11.2026

Voir détails

Où se déroule la formation ?

En distanciel

Combien coûte la formation ?

2190,00€

Qui organise cette formation ?

OXiane est spécialisé dans la conception et la réalisation de formations informatiques et de supports de cours pédagogiques sur les dernières technologies. Nos différentes filières permettent de couvrir tous les besoins en formation que ce soit en IT au sens large, mais également "Utilisateurs" et "Soft Skills" en Management, Communication & leadership.

À qui s’adresse la formation ?

Développeurs Python

Quels sont les objectifs poursuivis ou les compétences visées ?

Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python
Savoir extraire des données d'un fichier et les manipuler
Mettre en place un modèle d'apprentissage simple

Quel est le contenu de la formation ?

Positionnement Python

Besoins des data-scientist: calculs, analyse d’images, machine learning, interface avec les bases de données
Apports de python: grande variété d’outils, expertise dans le domaine du calcul scientifique
Tour d’horizon des outils:pandas, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe

Calculs et graphiques

NumPy: Base du calcul sur des tableaux
SciPy: Scientific Tools for Python, couche scientifique
Manipulation de tableaux, fonctions mathématiques
Représentation graphique avec basemap et matplotlib
Mise en oeuvre de SciPy/NumPy: manipulation d’images, détection de contours

Manipulation de données personnelles

Pandas: manipulation de tables de données
Tableaux avec Pandas: indexation, opérations, algèbre relationnelle
Stockage dans des fichiers: CSV, h5py, netCDF
Comparaison et performances Pandas/NumPy

Machine learning et deep learning

Présentation de TensorFlow, scikit-learn, keras, mxnet, caffe
TensorFlow: principe de fonctionnement, plate-formes supportées, distribution,APIs fournies en standard, modèles d’apprentissage
Projet scikit-learn: classification, régression, validation de modèles prédictifs
Démonstrations avec les modèles fournis par scikit-learn
Positionnement et comparaison avec Keras, mxnet, caffe