Formation Python : modélisation et représentation des données

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/ Modélisation

• Présentation Jupiter Notebook

• Construction d'un modèle : étapes

• Algorithmes supervisés et non supervisés

• Le choix entre la régression et la classification

3/ Evaluation de modèles : procédures

• Les techniques de ré-échantillonnage

• 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/ Algorithmes supervisés

• Le principe de régression linéaire univariée

• La régression multivariée

• La régression polynomiale

• La régression régularisée

• Le Naive Bayes

• L’arbre de décision

• La régression logistique

• Les K plus proches voisins

5/ Les algorithmes non supervisés

• Le clustering hiérarchique

• Le clustering non hiérarchique

• Les approches mixtes

6/ Analyse en composantes

• Analyse en Composantes Principales

• Analyse du nuage des individus

• Propriétés des composantes principales

• Analyse du nuage des variables

• Interprétation des résultats

• Analyse des correspondances

• Nuages des profils-lignes et des profils-colonnes, la distance du khi-deux

• Analyse des nuages des profils

• Liens entre les analyses

• Interprétation des résultats

• Analyse des Correspondances Multiples

• Analyse des correspondances sur le tableau disjonctif complet

• Propriétés de l’ACM

• Analyse du tableau de Burt

• Analyse Factorielle pour Données Mixtes

• Classification

• Classification ascendante hiérarchique : principe, stratégies d’agrégation, aides à l’interprétation

• Méthodes de partitionnement : les méthodes des centres mobiles, les nuées dynamiques

• Classification mixte

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