Data Scientist + AWS Cloud Practitioner

I/ Introduction à Python

Fondamentaux de Python 

• Découverte des différentes variables, listes et Tuples
• Présentation des divers opérateurs et structures de contrôle
• Initiation au concept de boucle et ses différents types
• Introduction aux fonctions et leurs documentations
• Instanciation de classes et utilisation de modules

Numpy  

• Création et manipulation d’un NumPy Array
• Présentation des opérations matricielles et manipulation d’un NumPy Array
• Création d’un indicateur statistique et opérations sur le NumPy Array

Pandas 

• Introduction à la bibliothèque Pandas
• Chargement et première exploration d’un jeu de données
• Introduction au Data Cleaning
• Introduction au Data Processing

Data quality (Optionnel) 

• Présentation des principes essentiels à la Data Quality
• Traitement des variables numériques et textuelles
• Introduction au nettoyage de données
• Initiation à la gestion des valeurs manquantes

II/ Data Visualisation

Matplotlib 

• Présentation de différents types de graphes
• Introduction à la personnalisation de graphique

Seaborn 

• Maîtrise de l’analyse de distribution
• Mise en place de l’analyse statistique
• Initiation à l’analyse multivariée

Bokeh (Optionnel) 

• Formation à tous types de graphiques interactifs et intégrables sur page Web
• Visualisation de données géographiques
• Découverte des Widgets et création

III/ Machine Learning

A. Machine Learning Supervisé

Classification simple de modèles 

• Introduction à SciKit Learn
• Présentation de la Classification SVM
• Application de la méthode K-Nearest neighbors

Classification avancée de modèles 

• Sélection de modèles
• Classification semi-supervisée

B. Machine Learning Non Supervisé

Méthodes de Clustering 

• Présentation des algorithmes K-moyenne
• Découvertes des algorithmes de mean shift

Méthdode de Régression 

• Introduction à la régression linéaire simple et multiple
• Introduction à la régression linéaire régularisé

Méthodes de réduction de dimension 

• Feature selection process
• Initiation aux analyses en composantes principales
• Application de l’approche Manifold Learning

IV/ Machine Learning Avancé

Séries temporelles avec Statsmodels

• Découverte des modèles de base
• Découverte des modèles ARIMA

Text Mining 

• Introduction aux expressions régulières
• Gestion de données textuelles
• Création de Worldclouds

Machine Learning et théorie des graphes avec Network X

• Introduction à la théorie des graphes
• Application des algorithmes fondamentaux : Krustal et Dijkstra
• Détection de communautés
• Application de l’algorithme PageRank au classement de page Web

V/ Big Data/Database

Introduction au Data Engineering et Big Data 

• Introduction aux 3V du Big Data (Volume, variété, vélocité)
• Présentation des bases de données et Architectures
• Mise en production de données

Data Processing et Machine Learning sur des grandes bases de données 

• Introduction à PySpark
• Découverte des différentes fonctions de PySpark
  ▪ Le Data Processing
  ▪ Les Data Frames
  ▪ La Régression avec PySpark
  ▪ Le ML pipelines
  ▪ Le Model Turning

VI/ Deep Learning

Deep Learning avec le framework Keras 

• Découverte des concepts fondamentaux :
  ▪ Dense Neural Networks
  ▪ Convolutional Neural Networks
  ▪ Architecture LeNet
  ▪ Transfer Learning

Introduction à Tensorflow 2.0 

• Mise en relation de Tensorlfow et Keras
• Application du Word Embedding avec Word2vec
• Présentation du Recurent Neural Network
• Présentation du Generative adversial Network

VII/ Système complexe et IA

Introduction au reinforcement learning 

• Définition des éléments de l’apprentissage par renforcement
• Mise au point sur les fondamentaux mathématiques pour le reinforcement learning
• Présentation de la principale famille d’algorithmes de reinforcement learning : Monte Carlo o Application des algorithmes d’apprentissage par différence temporelle : SARSA
• Application des algorithmes d’apprentissage par différence temporelle : Q-Learning
• Comparaison entre Temporal Difference Learning et Monte Carlo

Deep Reinforcement Learning 

• Introduction au Deep Reinforcement Learning
• Compréhension des fondements des méthodes basées sur la valeur
• Compréhension des problèmes de variances élevés, des risques de surestimations et application des  méthodes de résolution
• Introduction à la méthode de Policy Gradient
• Compréhension des principes fondamentaux de la structure Acteur-Critique utilisée dans l’apprentissage en  Deep Reinforcement Learning
• Application à des Business Cases