DSFDX Fondamentaux de la Data Science S'initier à la pratique de la Data Science et constituer sa première boîte à outils de Data Scientist

Jour 1

INTRODUCTION AU BIG DATA

Qu'est-ce-que le Big Data ?

L'écosystème technologique du Big Data

INTRODUCTION À LA DATA SCIENCE

Le vocabulaire d'un problème de Data Science

De l'analyse statistique au machine learning

Overview des possibilités du machine learning

MODÉLISATION D'UN PROBLÈME

Input / ouput d'un problème de machine learning

Mise en pratique "OCR"

• Nous verrons comment modéliser le problème de la reconnaissance optique de caractère

IDENTIFIER LES FAMILLES D'ALGORITHMES DE MACHINE LEARNING

Analyse supervisée

Analyse non supervisée

Classification / régression

SOUS LE CAPOT DES ALGORITHMES : LA RÉGRESSION LINÉAIRE

Quelques rappels : fonction hypothèse, fonction convexe, optimisation

La construction de la fonction de coût

Méthode de minimisation : la descente de gradient

SOUS LE CAPOT DES ALGORITHMES : LA RÉGRESSION LOGISTIQUE

Frontière de décision

La construction d'une fonction de coût convexe pour la classification

LA BOITE À OUTIL DU DATA SCIENTIST

Introduction aux outils

Introduction à python, pandas et scikit-learn

CAS PRATIQUE N°1 : "PRÉDIRE LES SURVIVANTS DU TITANIC"

Exposé du problème

Première manipulation en python

Jour 2

RAPPELS ET RÉVISION DU JOUR 1

QU'EST-CE QU'UN BON MODÈLE ?

Cross-validation

Les métriques d'évaluation : precision, recall, ROC, MAPE, etc

LES PIÈGES DU MACHINE LEARNING

Overfitting ou sur-apprentissage

Biais vs variance

La régularisation : régression Ridge et Lasso

DATA CLEANING

Les types de données : catégorielles, continues, ordonnées, temporelles

Détection des outliers statistiques, des valeurs aberrantes

Stratégie pour les valeurs manquantes

Mise en pratique : "Remplissage des valeurs manquantes"

FEATURE ENGINEERING

Stratégies pour les variables non continues

Détecter et créer des variables discriminantes

CAS PRATIQUE N°2 : "PRÉDIRE LES SURVIVANTS DU TITANIC"

Identification et création des bonnes variables

Réalisation d'un premier modèle

Soumission sur Kaggle

DATA VISUALISATION

La visualisation pour comprendre les données : histogramme, scatter plot, etc

La visualisation pour comprendre les algorithmes : train / test loss, feature importance, etc

INTRODUCTION AUX MÉTHODES ENSEMBLISTES

Le modèle de base : l'arbre de décision, ses avantages et ses limites

Présentation des différentes stratégies ensemblistes : bagging, boosting, etc

Mise en pratique : "Retour sur le titanic"

• Utilisation d'une méthode ensembliste sur la base du précédent modèle

APPRENTISSAGE SEMI-SUPERVISÉ

Les grandes classes d'algorithmes non supervisées : clustering, PCA, etc

Mise en pratique : "Détection d'anomalies dans les prises de paris"

• Nous verrons comment un algorithme non supervisé permet de détecter des fraudes dans les prises de paris

Jour 3

RAPPELS ET RÉVISIONS

Synthèse des points abordés en journées 1 et 2

Approfondissement des sujets sélectionnés avec l'intervenant

MISE EN PRATIQUE

Le dernier jour est entièrement consacré à des mises en pratique

SÉLECTION ET PARTICIPATION À UNE COMPÉTITION

Le formateur sélectionnera une compétition en cours sur Kaggle ou datasciencenet qui sera démarrée en jour 3 par l'ensemble des participants