Recherche avancée
Par formation
Par date
Par ville
logo HUB Formation
Organisme de Formation
aux Technologies et métiers de L'informatique
La pédagogie au service de la technologie
Accueil > Domaines > Big Data > Introduction à la data science

Introduction à la data science

Ce cours a pour objectif de donner une introduction précise et claire des problématiques et outils de la data science.
On définit la data science et on explique le métier du data scientist, On présentera les grandes familles de modèles qui sont utilisés en data science, leurs vocations et leurs problématiques. Ces modèles seront illustrés grâce à des business cases et des exemples concrets avec des programmes Python-Sckitlearn et IBM SPSS. Les jeux de données concerneront des domaines diverses comme le marketing, la santé et la maintenance prédictive.
Les modèles et algorithmes présentés dans ce cours seront développés dans des cours spécifiques du cursus Data Scientist de Global Knowledge.

Objectifs

  • Découvrir à la fois les problématiques et les outils de la data science
  • Connaître et savoir identifier les grandes familles de modèles utilisés en data science

Public

  • Toute personne qui voudrait avoir une connaissance de la data science, de ses enjeux, problématiques et outils.

Prérequis

  • Aucun

Programme de la formation

INTRODUCTION A LA DATA SCIENCE

  • Définition, historique et enjeux
  • Domaines d'application et problématiques de la Data Science
  • Environnement Big Data pour la Data Science
  • Métier de la data science: journée type du data scientist
  • Les acteurs et les outils du marché pour la data science
  • COMPETENCES TECHNIQUES POUR LA DATA SCIENCE
  • Extraction manipulation des données
  • Objectif et démarche

Exemple pratique

Exploration et visualisation des données

  • Objectif et démarche
  • Exemple pratique

La modélisation

  • Objectif et démarche
  • Les grandes familles de modèles et leurs domaines d'application :
  • Classifications supervisée et non supervisée et système de recommandations
  • Modèles mathématique statistiques
  • Machine learning et modèles cognitifs
  • Exemples pratiques

Modèles de classification supervisée :

  • Domaine d'application
  • Programmes et langages pour les modèles
  • Introduction à quelques modèles:
  • Principe du modèle de la régression
  • Principe du modèle des Réseaux bayésiens
  • Principe du modèle d'Arbre de décision et Randon Forest
  • Exemples pratiques avec Python Scikitlearn et IBM SPSS

Modèle de classification non supervisée :

  • Domaine d'application
  • Programmes et langages pour les modèles
  • Introduction à quelques modèles: Principe du modèle K-means, Principe du modèle de Réseaux de neurones
  • Exemples pratiques avec Python Scikitlearn et IBM SPSS

Modèles de recommandationet analyse d'association :

  • Domaine d'application
  • Programmes et langages pour les modèles
  • Introduction à quelques modèles: Principe du filtrage par le contenu, Principe du filtrage Collaboratif
  • Exemples pratiques avec Python Scikitlearn et IBM SPSS

Méthode pédagogique

Chaque participant travaille sur un poste informatique qui lui est dédié. Un support de cours lui est remis soit en début soit en fin de cours. La théorie est complétée par des cas pratiques ou exercices corrigés et discutés avec le formateur. Le formateur projette une présentation pour animer la formation et reste disponible pour répondre à toutes les questions.

Méthode d'évaluation

Tout au long de la formation, les exercices et mises en situation permettent de valider et contrôler les acquis du stagiaire. En fin de formation, le stagiaire complète un QCM d'auto-évaluation.

Suivre cette formation à distance

  • Un ordinateur avec webcam, micro, haut-parleur et un navigateur (de préférence Chrome ou Firefox). Un casque n'est pas nécessaire suivant l'environnement.
  • Une connexion Internet de type ADSL ou supérieure. Attention, une connexion Internet ne permettant pas, par exemple, de recevoir la télévision par Internet, ne sera pas suffisante, cela engendrera des déconnexions intempestives du stagiaire et dérangera toute la classe.
  • Privilégier une connexion filaire plutôt que le Wifi.
  • Avoir accès au poste depuis lequel vous suivrez le cours à distance au moins 2 jours avant la formation pour effectuer les tests de connexion préalables.
  • Votre numéro de téléphone portable (pour l'envoi du mot de passe d'accès aux supports de cours et pour une messagerie instantanée autre que celle intégrée à la classe virtuelle).
  • Selon la formation, une configuration spécifique de votre machine peut être attendue, merci de nous contacter.
  • Pour les formations incluant le passage d'une certification la dernière journée, un voucher vous est fourni pour passer l'examen en ligne.
  • Pour les formations logiciel (Adobe, Microsoft Office...), il est nécessaire d'avoir le logiciel installé sur votre machine, nous ne fournissons pas de licence ou de version test.
  • Horaires identiques au présentiel.