Python pour l'analyse de données

• Développeurs Python

• 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

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

Une attestation de participation sera transmise aux participants