Accueil > Big Data, SGBD, IA, BI, SAP > Big Data Analytics avec Python
Formation #BSI96

Formation Big Data Analytics avec Python

Formation avec Restauration incluse
(Déjeuner, Petit Déjeuner et Pauses Cafés)

Durée : 5 jours

Code : BSI96

Formation dans votre entreprise.

Durée : 5 jours

Code : BSI96


Vous souhaitez réaliser cette formation en vos locaux avec le même programme ?

Vous souhaitez personnaliser le programme de cette formation pour qu'elle réponde aux spécificités de votre entreprise ?

Objectifs

  • Comprendre le principe de la modélisation statistique
  • Choisir entre la régression et la classification en fonction du type de données
  • Évaluer les performances prédictives d'un algorithme
  • Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances
Programme
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
Approche Pédagogique

Approche Pédagogique

  • Pédagogie très opérationnelle fondée sur l'alternance entre théorie et pratique
  • Cas pratiques
  • Remise d’outils
  • Echanges d’expériences
Public cible

Public cible

  • Responsables Infocentre
  • Utilisateurs
  • Gestionnaires métiers de bases de données