INTRODUCTION A LA DATA SCIENCE

Formation certifiante - Code CPF 93 835 - 1 jour (7 heures)

Formations en présentiel

Formations Blended - Learning

Formations E-learning Tutoré

Présentiel

Blended - Learning

E-learning tutoré

Accueil  >  Les métiers du numérique  >  Big Data  >  Introduction à la Data Science

A l'issue de la formation, les stagiaires seront capables de :

  • Comprendre la data science et les opportunités pour les entreprises
  • Bien positionner la data science dans la chaîne de traitement des données
  • Apprendre à modéliser un problème de Data Science
  • Découvrir l’intérêt des algorithmes
  • Concevoir l’architecture
  • Choisir les composants techniques

La formation Introduction à la Data Science est accessible à toute personne ayant :

  • Un minimum de connaissances de Linux et des lignes de commandes
  • Des connaissances du langage java et de son écosystème (maven, IDE)
  • Des connaissance sur le réseau
  • Des connaissances de ce que sont REST/HTTP
  • Des connaissances du format Json, Yaml

Des exercices, des études de cas, des QCM et des tours de table permettent au formateur d’évaluer l’atteinte des objectifs ainsi que la progression du stagiaire à différents moments de la formation.
La validation de toutes les compétences requises est obligatoire pour l’obtention d’un BADGE ou d’un Certificat. L'obtention du Certificat est validé par la réalisation et la présentation d'un projet devant un jury.

  • Directeurs/chefs de projet ou responsable métier
  • Responsable système d’informations
  • Développeurs informatiques
  • Consultants en business intelligence
  • Ingénieurs d’étude, de recherche et développement
  • Architecte système et logiciel
  • Consultants techniques
  • Consultants business
  • Statisticiens et Mathématiciens
  • Data scientist (analyse de données) ou Data miner (fouilleur des données)
  • Tout développeur ou informaticien souhaitant développer des compétences en analyse de données et BIG DATA

PROGRAMME DE FORMATION

INTRODUCTION A LA DATA SCIENCE

Introduction à la Data Science

BIG DATA

Deep learning

  • Perceptron
  • Réseaux neuronaux multicouches (MLP)
  • Réseaux neuronaux convolutifs (CNN)
  • Réseaux neuronaux récursifs (RNN)

Machine Learning

  • Apprentissage automatique supervisé/ non supervisé
  • Algorithmes du Machine Learning

Principes de la data science

  • Approche fonctionnelle de base
  • Variables prédictives
  • Variables à prédire
  • Fonctions hypothèses
  • Estimateurs (biais et variances)
  • Compromis biais – variance
  • Fonctions de perte
  • Régularisation des paramètres
  • Optimisation des paramètres

Clustering

  • k-moyens (kMeans)
  • Clustering hiérarchique
  • Approche DBSCAN

Classification

  • Régression logistique
  • Machines à vecteurs de support (SVM)
  • Arbres de décisions
  • K plus proches voisins (kNN)

Traitements en Data Science

  • Compressions des données
  • Réglages des modèles

Principes de l’apprentissage d’ensemble

  • Forêts aléatoires
  • gradient boosting

Principes de la régression

  • Explorations des données régressives
  • Performance des modèles de régression

Atelier Cas pratique

Allez plus loin

Développez vos compétences

ELSTICSEARCH

R : INTIATION ET
ANALYSES STATISTIQUES

R : PROGRAMMATION

MACHINE LEARNING
AVEC R

DEAP LEARNING AVEC
R

DATAVIZ
AVEC R-SHINY

Financement avec le CPF via

le site MonCompteFormation

POUR TOUTE DEMANDE DE RENSEIGNEMENT OU DE DEVIS

CONTACTEZ-NOUS