Artificial Intelligence - Big Data - Big Data Analytics avec Python

Unternehmensinterne und -übergreifende Weiterbildung

An wen richtet sich die Weiterbildung?

Responsables Infocentre (Datamining, Marketing, Qualité...), utilisateurs et gestionnaires métiers de bases de données.

Dauer

5,00 Tag(e)

Sprache(n) der Dienstleistung

FR

Voraussetzungen

  • Connaissances de base en statistiques.
  • Connaissances de base en langage Python.

Ziele

  • Comprendre le principe de la modélisation statistique
  • Choisir entre la régression et la classification en fonction du type de données
  • Évaluer les performances prédictives d'un algorithme
  • Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

Inhalt

Le Big Bata Analytics repose sur la maîtrise des techniques d'exploration de données fondamentales: statistiques descriptives, prédictives ou exploratoires. Ce stage pratique vous présentera des méthodes telles que les régressions et les ACP et vous apprendra à les mettre en œuvre avec le langage Python.

Behandelte Themen

Introduction à la modélisation
  • Introduction au langage Python.
  • Introduction au logiciel Jupiter Notebook.
  • Les étapes de construction d'un modèle.
  • Les algorithmes supervisés et non supervisés.
  • Le choix entre la régression et la classification.

Travaux pratiques:

  • Installation de Python 3, d'Anaconda et de Jupiter Notebook.
La collecte et la préparation des données
  • Préparation d'un jeu de données
  • Nettoyage des données et valeurs manquantes
  • Identification des corrélations
  • Création de nouvelles variables pour aider à résoudre le problème

Travaux pratiques:

  • Mise en pratique de nettoyage de données et de préparation des variables.
Procédures d'évaluation de modèles
  • Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
  • Test de représentativité des données d'apprentissage.
  • Mesures de performance des modèles prédictifs.
  • Matrice de confusion, de coût et la courbe ROC et AUC.

Travaux pratiques:

  • Mise en place d'échantillonnage de jeux de donnes. Effectuer des tests d'évaluations sur plusieurs modèles fournis.
Méthodes d’analyse de données
  • Analyse en composantes principales.
  • Analyse factorielle des correspondances.
  • Analyse des correspondances multiples.
  • Analyse factorielle pour données mixtes.
  • Factorisation par matrices non négatives
  • Latent Dirichlet Allocation
  • Classification hiérarchique sur composantes principales.

Travaux pratiques:

  • Mise en œuvre de la diminution du nombre des variables et identification des facteurs sous-jacents des dimensions associées à une variabilité importante.
Les algorithmes non supervisés
  • Le clustering hiérarchique.
  • Le clustering non hiérarchique.
  • Les approches mixtes.

Travaux pratiques:

  • Traitements de clustering non supervisés sur plusieurs jeux de données.
Les algorithmes supervisés
  • Le principe de régression linéaire univariée.
  • La régression multivariée.
  • La régression polynomiale.
  • La régression régularisée.
  • Le Naive Bayes.
  • La régression logistique.

Travaux pratiques:

  • Mise en œuvre des régressions et des classifications sur plusieurs types de données.
Analyse de données textuelles
  • Collecte et prétraitement des données textuelles.
  • Extraction d'entités primaires, d'entités nommées et résolution référentielle.
  • Étiquetage grammatical, analyse syntaxique, analyse sémantique.
  • Lemmatisation.
  • Représentation vectorielle des textes.
  • Pondération TF-IDF.
  • Word2Vec.

Travaux pratiques:

  • Explorer le contenu d'une base de textes en utilisant l'analyse sémantique latente.

Pädagogische Methoden

Notre méthode, adaptée à votre contexte, associe implication des participants et supports concrets.

Zertifikat, Diplom

Attestation de présence

Veranstaltungsart

En présentiel ou en classe virtuelle