Python pour la Data Science | Pandas, NumPy, Scikit learn Mixte : présentiel / à distance

Jour 1 : Fondamentaux et NumPy
• Introduction à Python pour la Data Science
• Jupyter Notebook et environnement Anaconda
• Introduction à NumPy
   o Tableaux ndarray, indexation, slicing
   o Fonctions mathématiques vectorisées
   o Opérations sur matrices, statistiques de base

• Génération de données aléatoires (simulateurs, distributions)
• Manipulation d'axes, reshape, broadcast
• Introduction aux visualisations avec Matplotlib
TP : Simulation de données + opérations statistiques sur matrices

Jour 2 : Manipulation de données avec Pandas
• Séries et DataFrames : création, import/export (CSV, Excel, JSON)
• Accès aux données (loc, iloc, at, iat)
• Nettoyage : gestion des valeurs manquantes, duplication, typage

• Filtres conditionnels, tri, regroupement (groupby)
• Agrégations et statistiques descriptives
• Merge, join, concaténation de DataFrames
TP : Nettoyage et analyse d'un jeu de données (ex : Airbnb, Titanic, données RH)

Jour 3 : Visualisation de données
• Visualisation avec Matplotlib : courbes, histogrammes, barres
• Introduction à Seaborn : styles, palettes, intégration avec Pandas
• Visualisation statistique : boxplots, heatmaps, pairplots

• Analyse exploratoire de données (EDA)
• Détection d'anomalies visuelles, corrélations, distribution
• Graphiques croisés dynamiques
TP : Exploration graphique d'un dataset complet (ex : santé, marketing, transport)

Jour 4 : Introduction au Machine Learning avec Scikit-learn
• Introduction au Machine Learning : supervision vs non-supervision
• Séparation train/test, train_test_split, pipelines
• Modèles supervisés : régression linéaire, k-NN, arbre de décision

• Évaluation de modèle : précision, rappel, F1-score, courbe ROC
• Méthodes de validation croisée (cross_val_score)
• Feature scaling, normalisation
TP : Prédiction d'un score (ex : prix d'un logement, revenu, classification binaire)

Jour 5 : Atelier projet & approfondissements
• Feature engineering : création de variables, encodage
• Algorithmes avancés (Random Forest, SVM – introduction)
• GridSearch et tuning des hyperparamètres

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• • Formation en présentiel
    • En groupe (inter-entreprises ou intra-entreprise)
    • En individuel (monitorat)
    • En journée ou en cours du soir (sur demande spécifique)
  • Formation en distanciel
    • Distanciel synchrone
    • Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière