EduGroupe accompagne les entreprises dans leurs projets de formation liée aux technologies informatiques
Formation Big Data -Python pour l’analyse de données
- Référence : DELY010
- Durée : 3 jours (21 heures)
- Certification : Non
- Eligible CPF : Non
CONNAISSANCES PREALABLES
- Maîtrise de la programmation Python
PROFIL DES STAGIAIRES
- Les développeurs en Python
OBJECTIFS
- Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python
- Savoir extraire des données d'un fichier et les manipuler
- Mettre en place un modèle d'apprentissage simple
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
1 - Positionnement Python
- Besoins des data-scientist: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, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe
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
- Mise en oeuvre de SciPy/NumPy : manipulation d’images, détection de contours
3 - Manipulation de données relationnelles
- Pandas : manipulation de tables de données
- Tableaux avec Pandas : indexation, opérations, algèbre relationnelle
- Stockage dans des fichiers : CSV, h5py, netCDF
- Comparaison et performances Pandas / NumPy
4 - Machine learning et deep learning
- Présentation de TensorFlow, scikit-learn, keras ,mxnet, caffe
- TensorFlow : principe de fonctionnement, plate-formes supportées, distribution, APIs fournies en standard, modèles d’apprentissage
- Projet scikit-learn : classification, régression, validation de modèles prédictifs
- Démonstrations avec les modèles fournis par scikit-learn
- Positionnement et comparaison avec Keras, mxnet, caffe
