Formation Big Data – Python avancé pour Data Scientist

  • Référence : DELY010
  • Durée : 28 heures
  • Certification : Non
  • Eligible CPF : Non

RÉSUMÉ

Cette formation avancée Python de 4 jours est destinée au Data Scientists. A la fin de cette formation, vous serez en mesure d'utiliser les les principaux outils de traitement et d'analyse de données pour Python, d'extraire des données d'un fichier et les manipuler et de mettre en place un modèle d'apprentissage simple.

CONNAISSANCES PREALABLES

  • Bonne connaissance de la programmation Python

PROFIL DES STAGIAIRES

  • Développeurs en Python, Développeurs de logiciels, Programmeurs, Data analysts, Data scientists

OBJECTIFS

  • Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python
  • Savoir appliquer les pratiques optimales en matière de nettoyage et de préparation des données avant l'analyse
  • Être capable d'extraire des données d'un fichier
  • Comprendre les mécanismes d'interconnexion aux bases de données
  • Comprendre les principaux outils de traitement et d'analyse de données pour Python

METHODES PEDAGOGIQUES

  • 6 à 12 personnes maximum par cours, 1 poste de travail par stagiaire
  • Remise d’une documentation pédagogique papier ou numérique pendant le stage
  • La formation est constituée d’apports théoriques, d’exercices pratiques et de réflexions

METHODES D'EVALUATION DES ACQUIS

  • Auto-évaluation des acquis par le stagiaire via un questionnaire
  • Attestation de fin de stage adressée avec la facture

FORMATEUR

Consultant-Formateur expert Bigdata

CONTENU DU COURS Bigdata

1 - Positionnement Python dans l'analyse de données

  • Besoins des data-scientists : calculs, analyse d’images, machine learning, interface avec les bases de données
  • Apports de python : grande variété d’outils, expertise dans le domaine du calcul scientifique
  • Tour d’horizon des outils : pandas, pyarrow, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe, Pytorch

2 - Calculs et graphiques

  • NumPy : Base du calcul sur des tableaux
  • SciPy : Scientific Tools for Python, couche scientifique
  • Manipulation de tableaux, fonctions mathématiques
  • Représentation graphique avec basemap et matplotlib
  • Exemple de Travaux Pratiques : Mise en oeuvre de SciPy/NumPy (manipulation d’images, détection de contours)

3 - Être capable d'extraire des données d'un fichier

  • Pandas : manipulation de tables de données. Notion de dataframe
  • Manipulation de données relationnelles
  • Tableaux avec Pandas : indexation, opérations, algèbre relationnelle
  • Stockage dans des fichiers : CSV, JSon
  • Comparaison et performances Pandas / pyarrow / NumPy
  • Exemple de Travaux Pratiques : Construction d’ETL de base entre json et csvkagglt.com

4 - Comprendre les mécanismes d'interconnexion aux bases de données

  • Définitions : pilotes, connexions, curseurs, CRUD, transactions
  • Les pilotes : postgresql, mysql, mariadb, … Présentation de sql-alchemy
  • Opérations : gestion du curseur, chargement de données, insertion et modification d’enregistrements
  • Exemple de Travaux Pratiques : Mise en oeuvre avec postgresql. Construction d’ETL SQL/json

5 - Comprendre les principaux outils de traitement et d'analyse de données pour Python

  • Présentation des outils d’apprentissage Python : scikit-learn, pybrain, TensorFlow/keras, mxnet, caffe
  • Exemple de Travaux Pratiques : Mise en oeuvre de scikit-learn

6 - Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

  • Présentation de pyspark
  • Machine learning et deep learning : les solutions Python
  • TensorFlow : principe de fonctionnement, plateformes supportées, distribution

7 - Sites de références data-sciences

  • Ressources d’apprentissage, datasets, modèles de données pré-entrainés, etc.
  • Présentation de : kaggle.com, data-puzzles.com, huggingface.co

8 - Optimisation des développements

  • Jupyter notebook, Aide à la vérification de code, respect des recommandations PEP8 : exemples avec pydecodestyle, Pylint, Black
  • Analyse et production de code informatique avec une IA
  • Génération de code avec OpenAI : démonstrations ChatGPT, apports, bonnes pratiques.
  • Exemple de Travaux Pratiques : Utilisation de la génération de code et de snippets Python avec ChatGPT
  • Tour d’horizon des outils actuels et futurs
Cookies