Python & Machine Learning

Partie I : Prenez en main Python et explorez des jeux de données

• Les bases de Python : Apprenez toutes les bases du langage Python nécessaire à l’exploration de données (fonctions, boucles, conditionnelles, etc.). Vous utiliserez les notebooks Jupyter tout au long de votre formation.

• Manipulation de données et statistiques descriptives : Apprenez à lire et à sauvegarder de la donnée avec Python. Utilisez la librairie Pandas pour toutes les opérations de Data Wrangling (agrégation, jointures,concaténation, tableau croisé dynamique ...) et calculer des statistiques descriptives

• Visualisation : Explorez les données avec les librairies Plotly et Facets, ou encore l'outil d'Uber Kepler pour les données géolocalisées. Ajoutez des éléments d’interactions via des widgets et convertissez en quelque clics votre notebook en véritable application web avec les librairies Voilà et Binder.

Partie II : Apprivoisez le Machine Learning sur les données tabulaires

• Cycle de développement d’un algorithme d’IA : Découvrez les grandes étapes de conception d’un algorithme d’intelligence artificielle, de la préparation de données à l’analyse de la performance.

• Analyses prédictives : Modélisation quantitatives des dynamiques entre données continues, avec des algorithmes statistiques classiques et de Machine Learning (sklearn et PyCaret). Apprentissage automatique des classes (labels) dans des jeux de données annotés; diagnostic des performances via des analyses de précision/rappel

• Clustering :  Détection/segmentation automatique de groupes partageant des caractéristiques proches, via de l'apprentissage non-supervisé.

Partie III : Prédisez le futur ! 

• Analyse de saisonnalité :  Décomposition de série temporelle pour extraire leur variations saisonnières et leurs tendances de fond (analyse STL : Season + Trend + Remainder)

• Prédiction temporelle : Algorithmes ARIMA et lissage exponentiel pour prédire le futur probable. Explorez d’autres approches Machine learning avec les librairies de Facebook et Linkedin : Prophet et Greykite.

• Détection d’anomalie :  Identification des points remarquables et changements de régime.

Partie IV : Domptez l’univers avec vos analyses spatio-temporelles

• Clustering spatial : Prise en main de données géo-spatiales et détection automatique de zones de fortes densités et des outliers.

• Découpage spatial en hexagone :  Découpage de l'espace en hexagones via l'algorithme H3 d'Uber. Enrichissement de chaque donnée géolocalisée avec son hexagone spatial correspondant.

• Cooccurrence et colocalisations : Détection de cooccurrences de lieux visités entre deux identifiants. Prise en compte de la contrainte temporelle : la cooccurrence devient une colocalisation.

Partie V : Projets de fin

Travaillez sur vos propres données avec notre aide ! : Approfondissez vos analyses et optimisez vos traitements en Python. Réalisez un projet IA : de la préparation à l'entraînement de votre algorithme ML.
Calculez les parcours optimaux à partir de vos données géospatiales. 

Ou travaillez sur un de nos Data Cases : Menez une analyse de bout en bout sur un des cas que nous avons préparé avec nos partenaires.