Python pour data-scientist

Dauer

3,00 Dag(Deeg)

Sprooch(e) vun der Déngschtleeschtung

EN FR

Nächst Sessioun

Wien organiséiert dës Formatioun?

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.

Méi gesinn

Den Inhalt vun dëser Säit ass net op Lëtzebuergesch verfügbar

U wie riicht sech d'Formatioun?

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

Virkenntnisser

Maîtrise de la programmation Python

Ziler

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

Inhalt

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