Python avancé pour data-scientists

• Développeurs en Python
• Développeurs de logiciels
• Programmeurs
• Data analysts
• Data scientists

• Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python
• Savoir appliquer les pratiques optimales en matière de nettoyage et de préparation des données avant l'analyse
• Être capable d'extraire des données d'un fichier
• Comprendre les mécanismes d'interconnexion aux bases de données
• Comprendre les principaux outils de traitement et d'analyse de données pour Python

Positionnement Python dans l'analyse de données

• Besoins des data-scientists : 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, pyarrow, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe, Pytorch

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.
  • Atelier : Mise en oeuvre de SciPy/NumPy : manipulation d'images, détection de contours

Être capable d'extraire des données d'un fichier

• Pandas : manipulation de tables de données. Notion de dataframe.
• Manipulation de données relationnelles
• Tableaux avec Pandas: indexation, opérations, algèbre relationnelle
• Stockage dans des fichiers: CSV, JSon
• Comparaison et performances Pandas / pyarrow / NumPy
  • Atelier : construction d'ETL de base entre json et csvkagglt.com,

Comprendre les mécanismes d'interconnexion aux bases de données

• Définitions : pilotes, connexions, curseurs, CRUD, transactions
• Les pilotes : postgresql, mysql, mariadb, ... Présentation de sql-alchemy
• Opérations : gestion du curseur, chargement de données, insertion et modification d'enregistrements
  • Atelier : mise en oeuvre avec postgresql. Construction d'ETL SQL/json

Comprendre les principaux outils de traitement et d'analyse de données pour Python

• Présentation des outils d'apprentissage Python : scikit-learn, pybrain, TensorFlow/keras, mxnet, caffe
  • Atelier : mise en oeuvre de scikit-learn

Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

• Présentation de pyspark
• Machine learning et deep learning : les solutions Python,
• TensorFlow : principe de fonctionnement, plateformes supportées, distribution

Sites de références data-sciences

• Ressources d'apprentissage, datasets, modèles de données pré-entrainés, etc ..
• Présentation de : kaggle.com, data-puzzles.com, huggingface.co

Optimisation des développements

• Tour d'horizon des outils actuels et futurs:
• Jupyter notebook, Aide à la vérification de code, respect des recommandations PEP8 : exemples avec pydecodestyle, Pylint, Black
• Analyse et production de code informatique avec une IA.
• Génération de code avec OpenAI : démonstrations ChatGPT, apports, bonnes pratiques.
  • Atelier : utilisation de la génération de code et de snippets Python avec ChatGPT

Une attestation de participation sera transmise aux participants