Python pour data-scientist (Live Virtual Class)

Blended learning

À qui s'adresse la formation?

Consultants, Consultants informatiques, Developpeurs, Ingénieurs, Professionnels de l’IT

Durée

3,00 jour(s)

Langues(s) de prestation

EN FR

Prochaine session

Prérequis

Maîtrise de la programmation Python

Objectifs

Cette formation fait partie de notre cursus "Data Scientist" et peut-être suivie avec ou sans autre formation.

Les formations proposées dans notre cursus Data Scientist comprend les formations suivantes:

  • Maîtriser le langage Python: 3 jours
  • Big Data: 2 jours
  • Elastic Search: 2 jours
  • Machine Learning: 2 jours
  • R Programming: 3 jours

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

Contenu

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

Certificat, diplôme

Une attestation de participation sera transmise aux participants

Contact pour cette formation

Nathalie Thielemans / Nassera Aici

Ces formations pourraient vous intéresser

FR
Journée
Windhof (Koerich)
Langages informatiques - Langage javascript
17.06.2024