Data Science appliquée : des données aux modèles prédictifs

Description

Les données sont au cœur des décisions et des projets d’intelligence artificielle. Encore faut-il savoir les collecter, les préparer, les explorer, en tirer des modèles fiables et communiquer les résultats de manière compréhensible pour les décideurs.

Cette formation pratique, indépendante des fournisseurs, couvre l’ensemble d’un projet de data science : cadrage du problème, collecte et préparation des données, analyse exploratoire et visualisation, méthodes statistiques, apprentissage automatique, entraînement et évaluation des modèles, et restitution aux parties prenantes. Les notions sont mises en œuvre sur des cas concrets.

Elle s’adresse aux développeurs, analystes, professionnels des données et de la business intelligence, ainsi qu’aux profils techniques qui souhaitent acquérir des compétences opérationnelles en data science.

Au terme de la formation, les participant·e·s peuvent passer la certification internationale CertNexus Certified Data Science Practitioner (CDSP), examen DSP-210 : 90 questions à choix multiple en 120 minutes, en anglais, dans un centre de test Pearson VUE – notamment à l’ISEIG – ou en ligne. L’examen n’est pas compris dans le prix du cours.

Objectifs pédagogiques

• comprendre les concepts, la terminologie et les cas d’usage de la data science

• collecter, nettoyer, transformer et préparer des données

• réaliser une analyse exploratoire et visualiser les données

• appliquer les méthodes statistiques et analytiques adaptées

• choisir, entraîner et évaluer des modèles d’apprentissage automatique

• communiquer les résultats aux parties prenantes

• se préparer à la certification CDSP

Programme

Cadrer un projet de data science

• concepts, terminologie et cas d’usage

• formulation du problème et des objectifs métier

Préparer les données

• collecte et intégration

• nettoyage, transformation et ingénierie des variables

Explorer et analyser

• analyse exploratoire et visualisation

• statistiques descriptives et inférentielles

Modéliser

• apprentissage supervisé et non supervisé

• choix, entraînement et optimisation des modèles

• évaluation et métriques de performance

Communiquer et déployer

• restitution des résultats aux parties prenantes

• mise en production et suivi des modèles

Préparation à la certification

Public cible & prérequis

• bases en programmation (par exemple Python) et en manipulation de données

• notions de statistiques recommandées

• compréhension de l’anglais technique écrit, l’examen de certification étant en anglais