Prérequis de la formation Data Science Tunisie  :

Pour entamer la formation data science tunisie  , le minimum requis est d’un bac+3 scientifique, en mathématiques ou en statistiques.

Objectifs

À la fin de la formation data science tunisie , vous serez capable de valider les objectifs d’apprentissages suivants :

•  Acquérir les compétences nécessaires pour devenir Data Scientist.
• Apprendre à coder avec Python, stocker et concevoir une base de données en utilisant SQL.
• Comprendre comment traiter les données en maîtrisant différents types de bases de données.
• Résoudre de gros problèmes de données avec Hadoop.
• Apprendre à visualiser des données avec le logiciel Tableau.
• Développer des API en Machine Learning.
• Mettre en œuvre des algorithmes de Machine Learning (apprentissage supervisé et non supervisé).

Programmes :

1. Introduction à la formation Data Science Fondamentaux :

➤L’avènement de la data, nouvelle ressource stratégique pour les entreprises.
➤Qu’entend-on par Big Data ?
➤Architectures, stockage, traitement.
➤La règle des 3V : Volume, Vélocité et Variété.
➤Cas d’usage et domaines d’application des solutions Big Data.
➤De l’analyse statistique au deep learning : retour historique sur le traitement des données.
➤Data Mining vs.
➤Business Intelligence.
➤Enjeux, perspectives et défis pour les entreprises, organisations et Etats.
➤Gouvernance des données : cycle de vie et gestion de la qualité.

2. Principes et concepts de base en Data Science:

➤Qu’est-ce que la Data Science ?
➤ Introduction à la science des données.
➤Définitions, terminologie : le vocabulaire de la Data Science.
➤Data Scientist, « métier le plus sexy du XXIème siècle » ?
➤Comprendre le rôle, les compétences et la pensée du data scientist .
➤Vue d’ensemble d’un processus de Data Science.
➤Comprendre ce qu’est le Data Mining .
➤Identifier le besoin et les objectifs métiers.

3. La boîte à outils du Data Scientist:

➤Panorama des outils open-source et propriétaires du marché.
➤Les langages R, Python et leur environnement de développement (RStudio IDE, Anaconda…).
➤Travailler avec les notebooks Jupyter.
➤Les principales bibliothèques pour la Data Science : Pandas, NumPy, SciKit- Learn.
➤Bases de données : SQL, NoSQL, MongoDB…
➤Visualisation : Excel, Tableau, Matplotlib, D3.js.
➤Installer les outils nécessaires aux travaux pratiques de la formation.

4. Programmation avec R ou Python :

➤Présentation d’un langage de programmation pour la Data Science.
➤Caractéristiques du langage, structure d’un programme.
➤Assigner des variables, types de données, opérations de base .
➤Manipuler des listes, tableaux, fonctions, packages….

5. Obtention et exploration des données :

➤Où trouver des ensembles de données ?
➤Sources de données publiques et privées (web, médias sociaux, IoT…).
➤Les entrepôts de données (datawarehouse, datalake).
➤Importer des données, installer des packages et des bibliothèques.
➤Une première visualisation : identifier les caractéristiques d’un ensemble de données.
➤Quelles sont les données pertinentes ?
➤Données opérationnelles.
➤Bonnes pratiques pour contrôler la qualité des données.

6. Prétraitement de données :

➤Comprendre l’importance du processus de nettoyage des données.
➤Exemple d’un ensemble de données non-structurées.
➤Nettoyer et préparer des ensembles de données .
➤Identifier et gérer les valeurs manquantes ou aberrantes.
➤Considérations pour le Big Data : les outils Apache Spark, Hadoop et le modèle MapReduce.
➤L’analyse en composantes principales (ACP, ou PCA pour Principal Component Analysis).
➤Feature engineering : extraction et sélection des features.

7. Analyse et modélisation : introduction au Machine Learning :

➤Modéliser un problème de Data Science : entrées et sorties attendues.
➤Le Machine Learning et les capacités d’apprentissage des machines.
➤Les différentes familles d’algorithmes : supervisé, non-supervisé, semi- supervisé, classification, régression….
➤L’intuition derrière un modèle d’apprentissage.
➤Bibliothèques et packages ML pour R et Python : scikit-learn, gradDescent, TensorFlow….
➤Analyse et exploration statistiques de documents : le Text Mining Gérer les gros volumes de données (Big Data).

8. Mise en œuvre des méthodes d’apprentissage supervisé :

➤Estimation de valeurs : construire un modèle de régression linéaire .
➤Régression non-linéaire, régression logistique.
➤Interpréter les coefficients de régression.
➤Utiliser l’algorithme du gradient (descente de gradient).
➤Automatiser la labélisation de nouveaux jeux de données.
➤Vue d’ensemble des méthodes ensemblistes.
➤Réseaux Bayésiens, classification naïve bayésienne.
➤Arbres de décision et random forests.
➤Machines à vecteurs de support (SVM).

9. Apprentissage semi-supervisé et non-supervisé, clustering :

➤Les principaux algorithmes.
➤Partitionnement en k-moyennes .
➤Regroupement hiérarchique.
➤Clustering basé sur la densité.
➤Qu’est-ce que le Deep Learning ?
➤Présentation des réseaux de neurones.

10. Evaluation et tests des modèles d’apprentissage :

➤Evaluer et améliorer des modèles : sur-apprentissage, cross-validation… .
➤Métriques et méthodes pour la maintenance des modèles.
➤Pourquoi la performance des modèles d’apprentissage se détériore-t-elle ?
➤Ajuster et valider un modèle.

11. Visualisation et restitution : communiquer avec les données :

➤Transformer des données en décisions.
➤Les principes de la visualisation de données.
➤Outils principaux de dataviz : Tableau Software, QlikSense… .
➤Représentations graphiques de base :histogrammes, boxplots et diagrammes.
➤Les packages R pour la datavisualization (R Markdown, Shiny…) .
➤Visualisation interactive de données.
➤Data storytelling : raconter une histoire avec les données.