Formation Data Science Fondamentaux
Public admis
- Salarié en Poste
- Demandeur d'emploi
- Entreprise
- Etudiant
Financements
Eligible CPF Votre OPCO Financement personnel
Objectifs de la formation
- Découvrir la Data Science et le métier de Data Scientist
- Comprendre les concepts clés de la Data Science
- Savoir utiliser les outils et méthodologies du Data Scientist
- Pouvoir programmer en R ou en Python
- Avoir des connaissances en machine learning
- Gérer l'apprentissage supervisé, semi-supervisé et non-supervisé
- Pouvoir intégrer la Data Science dans votre organisation
| Tarif |
A partir de 3 500,00 € |
| Durée | 5 jours |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
| Tarif |
A partir de 3 500,00 € |
| Durée | 5 jours |
| Modes |
|
| Sessions | |
| Lieux | Partout en France |
Description
La Data Science est un pan du phénomène Big Data qui traite de l'analyse et de la visualisation des données entreprise pour les rendre exploitables dans une optique décisionnaire. Cette science a également donné lieu à la création d'un nouveau métier, data scientist, qui est en charge du traitement de ces données. Au travers de cette formation apportant les fondamentaux de la data science, vous apprendrez les principes clés ainsi que les méthodes principales de la data science. Vous maîtriserez également les bonnes pratiques de base pour le traitement et la visualisation des données. Grâce à notre formation en Data Science, vous aurez tous les outils pour intégrer la Data Science dans votre organisme !
Programme
Présentation de la Data Science
Big Data: définition, architecture…
La Big Data, quel enjeu pour les entreprises?
Volume, Vélocité, Variété: les 3V
Cas d’usage
Traiter les données: deep learning, analyse statistique…
Le Data Mining contre la Business Intelligence
Nouveaux challenges pour les organisations
Gouvernance des données
Principes, concepts clés de la Data Science
Data Science: présentation, définitions, vocabulaire et terminologie
Le métier de Data Scientist, « métier le plus sexy du XXIème siècle » ?
Data scientist: Rôle, responsabilités, compétences, philosophie
Objectifs et besoins
Processus de Data Science et Data Mining
Outils pour la Data Science
Outils propriétaires et outils open-source
Python et R: les langages pour la Data Science et leur environnement de développement
Notebooks Jupyter
Pandas, Numpy, SciKit-Learn… : les bibliothèques majeures
SQL, NoSQL, MongoDB : les principales bases de données pour la Data Science
Utiliser Excel, Tableau, D3.js ou encore Matplotlib pour visualiser les données
Installation d’outils pour les cas pratiques
Rappels mathématiques
Programmer avec Python et R
Python, R: les langages de la Data Science
Caractéristiques, structure
Opérations basiques, données, assignation de variables
Fonctions, listes, tableaux et packages
Obtenir et explorer les données
Trouver et importer des données
Données publiques, données privées
Entreposer les données (datawarehouse et datalake…)
Installation de bibliothèques et de packages
Pertinence des données: identification des caractéristiques des données
Contrôle de qualité: les bonnes pratiques
Prétraitement des données
De l’importance de nettoyer les données
Exemple d’un ensemble de données non-structurées
Nettoyage et préparation d’ensembles de données
Identification et résolution des valeurs manquantes, des valeurs « aberrantes »
Apache Spark et Apache Hadoop, MapReduce pour le Big Data
L’analyse en composantes principales (ACP, ou PCA pour Principal Component Analysis)
Extraire et sélectionner des features (Feature engineering)
Machine Learning pour analyser et modéliser
Entrées et sorties pour la modélisation d’un problème de Data Science
Machine Learning: capacités
Algorithmes supervisés, non-supervisés, semi-supervisés
Classification, régression d’algorithmes
Machine Learning et intuition
SciKit-Learn, gradDescent, TensorFlow… : les bibliothèques Machine Learning
Text Mining
Gestion des volumes du Big Data
Apprentissage supervisé: les méthodes
Construction d’un modèle de régression linéaire pour estimer les valeurs
Régression non-linéaire, logistique
Interpréter les coefficients de régression
Descente de gradient
Labels de jeux de données: automatisation
Méthodes ensemblistes
Forêts aléatoires, arbres de décision
SVM (machines à vecteurs de support)
Réseaux Bayésiens
Classification naïve bayésienne
Apprentissage semi-supervisé, non-supervisé, clustering
Algorithmes majeurs
Partitionnement en k-moyennes
Regroupement hiérarchique
Clustering basé sur la densité
Réseaux de neurones (Deep Learning)
Modèles d’apprentissage: évaluation et tests
Sur-apprentissage et cross-validation pour l’amélioration des modèles
Maintenance des modèles
Détérioration de la performance des modèles d’apprentissage
Ajustement, validation d’un modèle
Visualisation et restitution des données
Prendre des décisions à partir des données
Visualiser les données: les grands principes
Utiliser Tableau Software ou encore QlikSense pour la datavisualization
Raconter une histoire avec les données avec le Data storytelling
Intégrer la Data Science dans votre organisation
Implémentations dans les processus actuels
Considérer les objectifs et le contexte professionnel pour le choix des outils
Enjeux organisationnels, éthiques et juridiques
Prérequis
Public
Ces formations pourraient vous intéresser
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Utiliser Scikitlearn pour créer des modèles d'apprentissage machine
- Concevoir des expériences et interpréter les résultats des tests A/B
- Visualiser l'analyse de clustering et de régression en Python à l'aide de Matplotlib
- Produire des recommandations automatisées de produit ou de contenu avec des techniques de filtrage collaboratif
- Appliquer les meilleures pratiques en matière de nettoyage et de préparation de vos données avant l'analyse.
| Tarif |
A partir de 2 280,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
- Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.
| Tarif |
Contacter l'organisme |
| Durée |
8 jours (56 heures) |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Traiter des données de base d'un tableur : mise en forme, nettoyage, calcul de moyennes, médianes, pourcentages, création de formules.
| Tarif |
A partir de 860,00 € |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Expliquer ce qu'est un Data Center, les enjeux business qui lui sont associés et identifier les problématiques actuelles auxquelles ils font face
- Présenter une vue holistique sur les infrastructures techniques qui soutiennent le fonctionnement d'un Data Center et qui sont indispensables à sa fonction primaire
- Posséder une compréhension générale du fonctionnement d'un Data Center.
| Tarif |
A partir de 2 290,00 € |
| Durée |
3j / 21h |
| Modes |
|
Objectifs de la formation
- Pendant la formation, le formateur évalue la progression pédagogique des participants via des QCM, des mises en situation et des travaux pratiques. Les participants passent un test de positionnement avant et après la formation pour valider leurs compétences acquises.
| Tarif |
Contacter l'organisme |
| Durée |
3 jours (21 heures) |
| Modes |
|
Objectifs de la formation
- Créer une conception technique
- Configurer Common Data Service
- Créer et configurer Power Apps
- Configurer l'automatisation des processus d'entreprise
- Étendre l'expérience utilisateur
- Élargir la plate-forme
- Développer les intégrations
| Tarif |
A partir de 3 150,00 € |
| Durée |
5j / 35h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Créer une cartographie de vos sources de données
- Gérer la continuité de la donnée et des sources de données
- Organiser la structure et l'architecture de vos données d'un point de vue entreprise.
| Tarif |
A partir de 860,00 € |
| Durée |
1j / 7h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Réviser l'historique de ODI (Sunopsis, rachat par Oracle, ODI 10, ODI 11 et ODI 12) pour comprendre ODI 12c
- Gérer ETL ODI 12c dans la chaîne décisionnelle
- Distinguer les développements d'ETL et EL-T
- Identifier les stratégies de planification des traitements de données avec ODI 12c.
| Tarif |
Contacter l'organisme |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Présenter l'ensemble des concepts d'Oracle Data Integrator
- Installer et configurer le produit suivant vos besoins
- Mener à terme une démarche de développement d'un projet ODI.
| Tarif |
Contacter l'organisme |
| Durée |
2j / 14h |
| Modes |
|
Objectifs de la formation
A l'issue de cette formation, vous serez capable de :
- Concevoir une interface graphique avec WPF
- Utiliser le Two Way Data Binding
- Gérer le positionnement des composants
- Décrire le pattern MVVM
- Utiliser et créer des composants graphiques
- Exploiter les possibilités du langage XAML
- Utiliser Microsoft Blend.
| Tarif |
A partir de 2 440,00 € |
| Durée |
4j / 28h |
| Modes |
|
