Data Scientist

Contenu pédagogique

Introduction aux Data Sciences

• Qu’est que la data science ?
• Qu’est-ce que Python ?
• Qu’est que le Machine Learning ?
• Apprentissage supervisé vs non supervisé Les statistiques
• La randomisation
• La loi normale

Introduction à Python pour les Data Science

• Les bases de Python
• Les listes
• Les tuples
• Les dictionnaires
• Les modules et packages
• L’orienté objet
• Le module math
• Les expressions lambda
• Map, reduce et filter
• Le module CSV
• Les modules DB-API 2 Anaconda

Introduction aux DataLake, DataMart et DataWharehouse

• Qu’est-ce qu’un DataLake ?
• Les différents types de DataLake
• Le Big Data Qu’est-ce qu’un DataWharehouse ?
• Qu’est qu’un DataMart ?
• Mise en place d’un DataMart
• Les fichiers
• Les bases de données SQL
• Les bases de données No-SQL

Python Package Installer

• Utilisation de PIP
• Installation de package PIP PyPi

MathPlotLib

• Utilisation de la bibliothèque scientifique de graphes MathPlotLib
• Affichage de données dans un graphique 2D Affichages de sous-graphes
• Affichage de polynômes et de sinusoïdales

Machine Learning

• Mise en place d’une machine learning supervisé
• Qu’est qu’un modèle et un dataset
• Qu’est qu’une régression
• Les différents types de régression
• La régression linéaire
• Gestion du risque et des erreurs
• Quarter d’Ascombe
• Trouver le bon modèle
• La classification
• Loi normale, variance et écart type
• Apprentissage
• Mesure de la performance No Fee Lunch

La régression linéaire en Python

• Programmer une régression linéaire en Python
• Utilisation des expressions lambda et des listes en intention Afficher la régression avec MathPlotLib
• L’erreur quadratique
• La variance
• Le risque

Le Big Data

• Qu’est-ce que Apache Hadoop ?
• Qu’est-ce que l’informatique distribué ?
• Installation et configuration de Hadoop
• HDFS
• Création d’un datanode
• Création d’un namenode distribué
• Manipulation de HDFS
• Hadoop comme DataLake
• Map Reduce
• Hive
• Hadoop comme DataMart
• Python HDFS

Les bases de données NoSql

• Les bases de données structurées
• SQL avec SQLite et Postgresql
• Les bases de données non ACID
• JSON
• MongoDB
• Cassandra, Redis, CouchDb
• MongoDB sur HDFS
• MongoDB comme DataMart PyMongo

Numpy et SciPy

• Les tableaux et les matrices
• L’algèbre linéaire avec Numpy
• La régression linéaire SciPy Le produit et la transposée
• L’inversion de matrice
• Les nombres complexes
• L’algèbre complexe
• Les transformées de Fourier Numpy et Mathplotlib

ScikitLearn

• Régressions polynomiales
• La régression linéaire
• La création du modèle
• L’échantillonnage
• La randomisation
• L’apprentissage avec fit
• La prédiction du modèle
• Les metrics
• Choix du modèle
• PreProcessing et Pipeline
• Régressions non polynomiales

Nearest Neighbors

• Algorithme des k plus proches voisins (k-NN)
• Modèle de classification
• K-NN avec SciKitLearn
• Choix du meilleur k
• Sérialisation du modèle
• Variance vs Erreurs
• Autres modèles : SVN, Random Forest

Pandas

• L’analyse des données avec Pandas
• Les Series
• Les DataFrames
• La théorie ensembliste avec Pandas
• L’importation des données CSV
• L’importation de données SQL
• L’importation de données MongoDB Pandas et SKLearn

Le Clustering

• Regroupement des données par clusterisation Les clusters SKLearn avec k-means
• Autres modèles de clusterisation : AffinityPropagation, MeanShift, …
• L’apprentissage semi-supervisé

Jupyter

• Présentation de Jupyter et Ipython
• Installation
• Utilisation de Jupyter avec Mathplotlib et Sklearn

Python Yield

• La programmation efficace en Python
• Le générateurs et itérateurs
• Le Yield return
• Le Yield avec Db-API 2, Pandas et Sklearn

Les réseaux neuronaux

• Le perceptron
• Les réseaux neuronaux
• Les réseaux neuronaux supervisés
• Les réseaux neuronaux semi-supervisés
• Les réseaux neuronaux par Hadoop Yarn
• Les heuristiques
• Le deep learning