Formation Python : Analyse de Données

Programme de notre formation Big Data : Python pour l’Analyse de Données

Présentation des librairies

• Pandas
• NumPy et SciPy
• Matplotlib
• Scikit-Learn
• Utiliser des fonctions de librairies
• Gérer les modules et librairies

Préparation des données

• L’importance d’avoir des données intègres et préparées
• Lire et écrire des fichiers CSV
• Importer des ensembles de données
• Nettoyer et préparer les données
• Formatage des données
• Construire des pipelines de données

Modéliser ses données avec Pandas

• Manipuler ses données
• Créer des colonnes
• Transformer ses colonnes
• Interrogation, triage et filtrage
• Regroupement et agrégation pour la synthèse des données
• Fusionner et joindre des données provenant de plusieurs sources
• La concaténation
• Sélectionner des éléments
• Remplacer des valeurs

Visualisation des données avec Pandas

• Effectuer des comparaisons
• Créer des graphiques :
  • Histogramme
  • Pie chart
  • Graphique de densité Kernel
  • Graphique hexagonal
  • Scatter chart
  • Line chart
  • Boxplot
• TP : Trouver des insights à partir de ses visualisations

Calcul numérique avec NumPY

• Passer des listes Python aux tableaux NumPy
• Travailler avec des tableaux multidimensionnels
• Opérations sur les arrays, découpage et diffusion
• Les fonctions d’algèbre linéaire et matricielle
• Les principales fonctions mathématiques

Analyse statistique avec SciPy

• Les bonnes pratiques pour une analyse de données réussie
• Les 3 classes statistiques de SciPy
• Utiliser les fonctions de statistiques descriptives
• Calculer le z-score et le t-score
• TP : Analyse de plusieurs dataframes différents

Développement des modèles de machine learning

• Les points forts et les limites du machine learning
• Choisir ses modèles à l’aide de la visualisation
• Les fonctions d’optimisation et le preprocessing avec SciPy
• Les différents modèles d’apprentissage avec SciKit-Learn

Régression avec Scikit-learn

• Régression linéaire simple
• Régression linéaire multiple
• La régression logistique
• La régression polynomiale
• R-carré et EQM pour évaluer son modèle
• Prédiction et prise de décision

Classification avec Scikit-learn

• SVM
• Nearest neighbors
• Random forest
• K-Means

Algorithmes Data

• Découvrir des algorithmes destinés à l’analyse de données
• Mettre en œuvre des algorithmes d’analyse de données
• Évaluer les performances prédictives