- Référence : OAPO
- Durée : 3 jours (21h)
- Lieu : Au choix. À distance ou en présentiel, à Paris ou en Régions
1990€ HT
Choisir une date et Réserver- FNE
- AC
Formation Big Data - Python pour l'analyse de données (cours dédié aux actions collectives Atlas)
5 sur 5 étoiles
5 étoiles
4 étoiles
3 étoiles
2 étoiles
1 étoile
Durée
3 jours
Niveau
Intermédiaire
Classe à distance
Possible
Vous pouvez suivre cette formation en direct depuis votre domicile ou votre lieu de travail. Plus d'informations sur notre solution de classe à distance...
Référence
OAPO
Éligible CPF
Non
Cette formation sur l’analyse de données en Python permet aux participants dans un premier temps de découvrir et apprendre le langage Python puis de comprendre pourquoi Python est particulièrement bien adapté à toutes sortes de problèmes d’analyse de données.
Lors de ce cours les participants aborderont donc le traitement de différents formats de données structurées ou non (tableau, matrice, série, CSV, flux XML ou JSON, etc.) tout en les rendant opérationnel dans l’utilisation des principales bibliothèques Python comme NumPy, Pandas, Matplotlib, IPython, SciPy, etc…
Objectif opérationnel :
Savoir utiliser Python pour la manipulation de différents types de données statistiques.
Objectifs pédagogiques :
À l'issue de cette formation Big Data Python, vous aurez acquis les connaissances et compétences nécessaires pour :
- Utiliser le langage Python dans la modélisation statistique
- Utiliser les outils d’analyse des données en Python
- Préparer différents types de données à l’analyse (nettoyage)
- Extraire les données de différentes sources (fichier, base de données, etc.)
- Déterminer les fonctions à utiliser selon le type de données
- Évaluer les performances prédictives d’un algorithme
- Utiliser Python dans un environnement Big Data
- Apprendre à mettre en place un modèle d'apprentissage simple Choisir entre la régression et la classification en fonction du type de données
- Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances
- Connaître les possibilités de représentations graphiques en Python
Public :
Ce cours Big Data Python convient parfaitement aux développeurs, programmeurs et data analysts ou scientists qui doivent utiliser Python pour l’analyse statistique.
Elle peut également être suivie par toute personne souhaitant utiliser Python pour développer des applications de calcul scientifique ou d’analyse de données.
Prérequis :
Il est nécessaire de connaître la programmation Python et d'avoir de bonnes bases en mathématiques et statistiques.
Jour 1
Pourquoi choisir Python pour l’analyse de données ?
Philosophie de Python (indentation, objet, etc.)
Les types de données
Appels de fonctions et méthodes
Structures de contrôles (boucle, test, exceptions)
Structures de données et séquences (tuple, liste, primitives, dict)
Les principales bibliothèques de Python (NumPy, Pandas, Matplotlib, Ipython, SciPy)AtelierTP de synthèse mettant en œuvre les bibliothèques NumPy, Pandas et SciPy. On utilise un gros fichier CSV des naissances que l’on transforme en tableau (Pandas) et on calcule des statistiques comme le « nombre de Laurent nés en telle année selon les départements », « la moyenne des naissances nationales annuelle et l’écart type par région », etc.
Manipuler les fonctions comme des objets
Les fonctions anonymes (lambda)
Fonction à nombre variable d’arguments (*args, **kwargs)AtelierÉcriture d’une fonction de tri recevant un nombre arbitraire d’arguments
Passage de la fonction heuristique du tri (celle qui précise si un objet est « plus petit » qu’un autre) à la fonction précédente
Utilisation de la bibliothèque requests pour l’acquisition de données externes stockées sur un serveur de l’entreprise ou sur internetAtelierCet atelier donnera l’occasion aux participants de mettre au point un moteur de recherche simple dans le système de fichiers. Une fois le système de fichiers indexé, il y sera possible de rechercher par mot-clef un fichier et son contenu automatiquementJour 2
Fonctions de manipulation et de calcul matriciel (Numpy)
Fonctions de Statistiques Descriptives (SciPy) : quantiles et des fonctions de répartition pour
différentes lois statistiques
Fonctions de comparaison de populations, mesures d’association
Fonctions de classification automatique (SciPy) : k-meansAtelierCet atelier permettra aux participants d’appliquer leurs connaissances à la réalisation d’un « mini atelier » d’Analyse Technique pour la Finance des Marchés :
- Collecte automatique de séries financières
- Calcul d’indicateurs : d’indicateurs simples (moyennes mobiles) à des indicateurs avancés (tel que le RSI et les Bandes de Bollinger)
- Visualisation des résultats
Focalisation sur la génération de graphes grâce à la librairie Matplotlib : démonstration de l’application de graphes Matplotlib à la visualisation de problèmes concretsAtelierCet atelier permettra de poursuivre les travaux de l’atelier précédent en générant des visualisations graphiques illustrant les analyses de données réalisées (les appels à la bibliothèque Matplotlib sont fournis par le formateur afin de rester concentrer principalement sur l’analyse des données)Jour 3
Évaluation du modèle dans son contexte, faux positifs, faux négatifs, matrice de confusion, différents scores de précisionAtelierMise en œuvre d’un modèle de classification et de régression en Python
Introduction aux réseaux de neurones et à la descente de gradient
Introduction aux frameworks de deep learning Tensorflow et Keras de GoogleAtelierCet atelier permettra d’étudier un modèle de deep learning en fonctionnement sur un problème de classification d’image. L’objectif est de se familiariser avec la notion de couche de neurones, d’hyperparamètres et d’entraînement de modèle
Introduction à la parallélisation du code dans le but d’améliorer les performances de calcul
Introduction à Spark
La composante Spark MLAtelierMise en œuvre d’un programme Spark ML en Python afin d’être sensibilisé aux possibilités d’auto apprentissage simple en Python
Rappels des bases de Python
Les caractéristiques du langage PythonPourquoi choisir Python pour l’analyse de données ?
Philosophie de Python (indentation, objet, etc.)
Les types de données
Appels de fonctions et méthodes
Structures de contrôles (boucle, test, exceptions)
Structures de données et séquences (tuple, liste, primitives, dict)
Les principales bibliothèques de Python (NumPy, Pandas, Matplotlib, Ipython, SciPy)AtelierTP de synthèse mettant en œuvre les bibliothèques NumPy, Pandas et SciPy. On utilise un gros fichier CSV des naissances que l’on transforme en tableau (Pandas) et on calcule des statistiques comme le « nombre de Laurent nés en telle année selon les départements », « la moyenne des naissances nationales annuelle et l’écart type par région », etc.
Aspects avancés en Python
Espace de noms, périmètre et fonctions localesManipuler les fonctions comme des objets
Les fonctions anonymes (lambda)
Fonction à nombre variable d’arguments (*args, **kwargs)AtelierÉcriture d’une fonction de tri recevant un nombre arbitraire d’arguments
Passage de la fonction heuristique du tri (celle qui précise si un objet est « plus petit » qu’un autre) à la fonction précédente
Acquisition des données
Lecture de fichiers de manière générique et spécifiquement de différents formats courants : CSV, XML, JSONUtilisation de la bibliothèque requests pour l’acquisition de données externes stockées sur un serveur de l’entreprise ou sur internetAtelierCet atelier donnera l’occasion aux participants de mettre au point un moteur de recherche simple dans le système de fichiers. Une fois le système de fichiers indexé, il y sera possible de rechercher par mot-clef un fichier et son contenu automatiquementJour 2
Bibliothèques d’Analyses Statistiques
Présentation des principales bibliothèques d’analyse de données Python : Pandas, SciPy, IPython (Jupyter)Fonctions de manipulation et de calcul matriciel (Numpy)
Fonctions de Statistiques Descriptives (SciPy) : quantiles et des fonctions de répartition pour
différentes lois statistiques
Fonctions de comparaison de populations, mesures d’association
Fonctions de classification automatique (SciPy) : k-meansAtelierCet atelier permettra aux participants d’appliquer leurs connaissances à la réalisation d’un « mini atelier » d’Analyse Technique pour la Finance des Marchés :
- Collecte automatique de séries financières
- Calcul d’indicateurs : d’indicateurs simples (moyennes mobiles) à des indicateurs avancés (tel que le RSI et les Bandes de Bollinger)
- Visualisation des résultats
Visualisation de données
Introduction aux bases de la visualisation de donnéesFocalisation sur la génération de graphes grâce à la librairie Matplotlib : démonstration de l’application de graphes Matplotlib à la visualisation de problèmes concretsAtelierCet atelier permettra de poursuivre les travaux de l’atelier précédent en générant des visualisations graphiques illustrant les analyses de données réalisées (les appels à la bibliothèque Matplotlib sont fournis par le formateur afin de rester concentrer principalement sur l’analyse des données)Jour 3
Régression, Classification et Évaluation des Résultats
Établissement d’un modèle de classification et d’un modèle de régression avec Python pour résoudre deux problèmes distinctsÉvaluation du modèle dans son contexte, faux positifs, faux négatifs, matrice de confusion, différents scores de précisionAtelierMise en œuvre d’un modèle de classification et de régression en Python
Deep Learning & Frameworks
Différence entre le machine learning et le deep learningIntroduction aux réseaux de neurones et à la descente de gradient
Introduction aux frameworks de deep learning Tensorflow et Keras de GoogleAtelierCet atelier permettra d’étudier un modèle de deep learning en fonctionnement sur un problème de classification d’image. L’objectif est de se familiariser avec la notion de couche de neurones, d’hyperparamètres et d’entraînement de modèle
Big Data & Traitement de gros volumes de données
Introduction à l’algorithme de MapReduceIntroduction à la parallélisation du code dans le but d’améliorer les performances de calcul
Introduction à Spark
La composante Spark MLAtelierMise en œuvre d’un programme Spark ML en Python afin d’être sensibilisé aux possibilités d’auto apprentissage simple en Python
Dates et lieux
1
2
1
2
Votre formation Python prise en charge jusqu'à 100% des coûts pédagogiques ! *
Depuis 2011, PLB Consultant est partenaire des Actions Collectives Atlas pour vous proposer les meilleures formations informatique et développer vos compétences dans le Numérique :
- En présentiel dans l’une de nos salles en Régions
- À distance depuis votre bureau
- Sessions intra-entreprise dans toute la France.
* jusqu'à 100% des coûts pédagogiques selon votre branche d'activité dans la limite des fonds mutualisés dédiés aux actions collectives et en application des critères de prise en charge en vigueur (cf conditions détaillées sur le site d'Atlas)
Avis des participants à la formation Big Data - Python pour l'analyse de données (cours dédié aux actions collectives Atlas)
Les avis figurant ci-dessous sont issus des fiches d’évaluation que remplissent les participants à la fin de la formation. Ils sont ensuite publiés automatiquement si les personnes ont explicitement accepté que nous les diffusions.
HT
5/5
Mon avis sur le contenu du stage :
"Le formateur a prit en compte nos demande et a ignoré le support de cours pour privilégier des besoins personnalisés"
Ce que j'ai le plus apprécié :
"Les autres participants avaient un niveau et besoins proches du mien, ce qui a permit au formateur d'insister sur les points qui nous intéressaient le plus."
Ce que j'ai le moins apprécié :
"Les VMs étaient assez lentes et le téléchargement de certaines librairies a pris pas mal de temps"
LG
5/5
Mon avis sur le contenu du stage :
"Parfaite maitrise du formateur qui a su s'adapter parfaitement aux demandes des participants. La journée a été riche en enseignements de qualité."
HA
5/5
Ce que j'ai le plus apprécié :
"Dynamique de cours, beaucoup de pratique."
AM
5/5
Mon avis sur le formateur :
"Animateur au Top. Merci pour la formation."
OA
5/5
CG
5/5
RM
5/5
REVOL Cecile
5/5
Ces formations peuvent aussi vous intéresser :
Hive, Pig, Impala, Spark, Drill, Elasticsearch, Logstash, Kibana, Dataviz
- Niveau : Fondamental
- Référence : OTAV
- Niveau : Fondamental
- Référence : OFDS
Formations Informatique
et Management
en ligne à ce jour
+
Stagiaires dans nos salles
de cours sur
l'année
%
De participants satisfaits
ou très satisfaits de nos
formations
Formateurs experts
validés par
PLB
