Formation Big Data Analytics avec Python

1/ Introduction au langage Python

• Les caractéristiques du langage Python

• Pourquoi choisir Python pour l’analyse de données ?

• Installation et configuration

• Philosophie de Python (indentation, objet, etc.)

• Les types de données

• Appels de fonctions et méthodes

• Structures de contrôles (boucle, test, exceptions)

• Structures de données et séquences (tuple, liste, primitives, dict)

2/ Introduction à la modélisation

• Introduction au logiciel Jupiter Notebook

• Les étapes de construction d'un modèle

• Les algorithmes supervisés et non supervisés

• Le choix entre la régression et la classification

3/ Procédures d'évaluation de modèles

• Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test

• Test de représentativité des données d'apprentissage

• Mesures de performance des modèles prédictifs

• Matrice de confusion, de coût et la courbe ROC et AUC

4/ Les algorithmes supervisés

• Le principe de régression linéaire univariée

• La régression multivariée

• La régression polynomiale

• La régression régularisée

• Le Naive Bayes

• La régression logistique

5/ Les algorithmes non supervisés

• Le clustering hiérarchique

• Le clustering non hiérarchique

• Les approches mixtes

6/ Analyse en composantes

• Analyse en composantes principales

• Analyse factorielle des correspondances

• Analyse des correspondances multiples

• Analyse factorielle pour données mixtes

• Classification hiérarchique sur composantes principales

7/ Analyse de données textuelles

• Collecte et prétraitement des données textuelles

• Extraction d'entités primaires, d'entités nommées et résolution référentielle

• Étiquetage grammatical, analyse syntaxique, analyse sémantique

• Lemmatisation

• Représentation vectorielle des textes

• Pondération TF-IDF

• Word2Vec