Accueil >> Liste des formations >> Licence d’essai
Data Science avec Python
Public
Toute personne souhaitant utiliser Python pour manipuler, analyser et présenter des données.
Prérequis
Avoir suivi la formation Python « Les fondamentaux du développement en Python » ou avoir un niveau équivalent.
Objectifs de la formation
A l’issue de la formation les stagiaires seront capables de :
- Maîtriser les principales librairies de la Data Science
- Manipuler et analyser des données avec Python
- Construire des graphiques avancés et analyser des données de manière approfondie
Public
Toute personne souhaitant utiliser Python pour manipuler, analyser et présenter des données.
Prérequis
Avoir suivi la formation Python « Les fondamentaux du développement en Python » ou avoir un niveau équivalent.
Objectifs de la formation
A l’issue de la formation les stagiaires seront capables de :
- Maîtriser les principales librairies de la Data Science
- Manipuler et analyser des données avec Python
- Construire des graphiques avancés et analyser des données de manière approfondie
Contenu
Introduction aux outils et environnements data science
Présentation de l’environnement anaconda : jupyter notebook.
Introduction à jupyter notebook : fonctionnement, documentation, widgets, affichage de dataframes.
Atelier : installation et prise en main de jupyter notebook.
Manipulation et analyse de données avec numpy
Présentation de numpy et ses avantages.
Manipulation des tableaux ndarray : slicing, agrégation, fusion, filtrage.
Calculs mathématiques et statistiques (moyenne, variance, résolution d’équations).
Atelier : importation et manipulation de données avec numpy.
Exploitation des données avec pandas
Création et manipulation de dataframes.
Indexation et sélection de données (loc(), iloc()).
Gestion des données manquantes et nettoyage des données.
Fusion et pivotement des dataframes.
Atelier : chargement, nettoyage et manipulation de données tabulaires.
Intégration de données
Lecture et écriture de fichiers excel, csv, json.
Connexion à une base de données sql (lecture et requêtage).
Connexion à une api pour récupérer des données.
Atelier : extraction et transformation de données sql et api avec pandas.
Visualisation de données avec matplotlib et seaborn
Création de courbes, histogrammes, diagrammes en secteurs et nuages de points.
Mise en forme et personnalisation des graphiques.
Introduction à seaborn pour des visualisations avancées : relations (scatterplot, lineplot), distribution (histplot, kdeplot). Visualisation de corrélations et régressions (heatmap, regplot).
Atelier : analyse et visualisation de données en Matplotlib et seaborn.
Introduction à scipy pour l’analyse scientifique
Interpolation et calcul matriciel.
Statistiques avancées : régression linéaire, comparaison de populations.
Atelier : analyse de données financières avec scipy.
Récapitulatif et projet final
Synthèse des compétences acquises.
Mini-projet
Validation
L’évaluation des acquis est évaluée à travers des QCM à la fin de chaque chapitre et un projet pratique de synthèse.
Méthode et moyens
Méthodologie basée sur l’Active Learning, exposés théoriques, étude de cas concrets, quiz et exercices.
Animation
M. Ismail BENNIS, Maitre des conférences à l’Université de Haute Alsace.
Introduction aux outils et environnements data science
Présentation de l’environnement anaconda : jupyter notebook.
Introduction à jupyter notebook : fonctionnement, documentation, widgets, affichage de dataframes.
Atelier : installation et prise en main de jupyter notebook.
Manipulation et analyse de données avec numpy
Présentation de numpy et ses avantages.
Manipulation des tableaux ndarray : slicing, agrégation, fusion, filtrage.
Calculs mathématiques et statistiques (moyenne, variance, résolution d’équations).
Atelier : importation et manipulation de données avec numpy.
Exploitation des données avec pandas
Création et manipulation de dataframes.
Indexation et sélection de données (loc(), iloc()).
Gestion des données manquantes et nettoyage des données.
Fusion et pivotement des dataframes.
Atelier : chargement, nettoyage et manipulation de données tabulaires.
Intégration de données
Lecture et écriture de fichiers excel, csv, json.
Connexion à une base de données sql (lecture et requêtage).
Connexion à une api pour récupérer des données.
Atelier : extraction et transformation de données sql et api avec pandas.
Visualisation de données avec matplotlib et seaborn
Création de courbes, histogrammes, diagrammes en secteurs et nuages de points.
Mise en forme et personnalisation des graphiques.
Introduction à seaborn pour des visualisations avancées : relations (scatterplot, lineplot), distribution (histplot, kdeplot). Visualisation de corrélations et régressions (heatmap, regplot).
Atelier : analyse et visualisation de données en Matplotlib et seaborn.
Introduction à scipy pour l’analyse scientifique
Interpolation et calcul matriciel.
Statistiques avancées : régression linéaire, comparaison de populations.
Atelier : analyse de données financières avec scipy.
Récapitulatif et projet final
Synthèse des compétences acquises.
Mini-projet
L’évaluation des acquis est évaluée à travers des QCM à la fin de chaque chapitre et un projet pratique de synthèse.
Méthodologie basée sur l’Active Learning, exposés théoriques, étude de cas concrets, quiz et exercices.
Animation
M. Ismail BENNIS, Maitre des conférences à l’Université de Haute Alsace.
Organisation
Inscription : possible jusqu’à 3 jours avant le démarrage de la session.
Durée : 2 jours
Frais de formation
600 €
Organisation
Inscription : possible jusqu’à 3 jours avant le démarrage de la session.
Durée : 2 jours
Frais de formation
600 €