Les bases du langage Python
Introduction à Python
Les différents environnements de développement
Les structures / propriétés / fonctions spéciales
La Programmation Orientée Objet (POO)
La bibliothèque standard
Python : langage avancé
Algorithmes et complexité
Principaux modules et fonctions
Lecture et écriture des données
Filtrage, sélection, transformation, calcul, agrégation, jointure, sorties simples
Apprendre à manipuler les librairies NumPy et Matplotlib
Les librairies Numpy et MatPlotLib
Spécificités de la programmation scientifique et analyse statistique
Présentation de Numpy et MatPlotLib
Structure des données librairies
L’Indexing, le slicing, l’iterating
Les structures et les propriétés sous Numpy et MatplotLib
Les fonctions spéciales
Machine Learning en Python grâce à Scikitlearn
Présentation, modélisation linéaire et prévision,
Extraire des caractéristiques et savoir les prétraiter
Réduire la dimensionnalité avec l’Analyse des Composants Principaux (PCA)
Analyse de régression linéaire, multilinéaire, polynomiale, logistique et régularisation
Classification avec Scikitlearn
Classification supervisée
Classification non supervisée et régression avec arbres de décision
Maîtrise de Scikitlearn
Analyse en composantes principales
Analyse régressive
K-means clustering
Train / Test et validation croisée
Méthodes bayésiennes
Arbres de décision et forêts aléatoires
Régression multivariée
Modèles multiniveaux
Support des Machines Vectorielles (SVM)
Apprentissage par renforcement
Algorithmique pour la Data Science
Algorithmes et complexité
Principaux algorithmes de machine learning
Parallélisation, sérialisation
Puzzles algorithmiques
Algorithmes probabilistes
Algorithmes supervisés et non supervisés
Clustering pour les recommandations
Deep Learning pour les recommandations
Machine Learning, algorithmes accélérés
