ORSYS formation
NOUS CONTACTER - +33 (0)1 49 07 73 73
NOUS CONTACTER - 📞 +33 (0)1 49 07 73 73    espace pro ESPACE PRO     inscription formation orsys S'INSCRIRE     drapeau francais   drapeau anglais
Nos domaines de formation :
Toutes nos formations Big Data, NoSQL

Formation Big Data Analytics avec Python
modélisation et représentation des données

4,4 / 5
Stage pratique
Best
Durée : 4 jours
Réf : BDA
Prix  2019 : 2540 € H.T.
Pauses et déjeuners offerts
  • Programme
  • Participants / Prérequis
  • Intra / sur-mesure
  • avis vérifiés
Programme

Le Big Bata Analytics repose sur la maîtrise des techniques d'exploration de données fondamentales : statistiques descriptives, prédictives ou exploratoires. Ce stage pratique vous présentera des méthodes telles que les régressions et les ACP et vous apprendra à les mettre en œuvre avec le logiciel Python.

Objectifs pédagogiques

  • Comprendre le principe de la modélisation statistique
  • Choisir entre la régression et la classification en fonction du type de données
  • Évaluer les performances prédictives d'un algorithme
  • Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

Travaux pratiques

Développement/réalisation d'analyses sur le logiciel Python, avec les modules pandas, NumPy, SciPy, MatPlotLib, seaborn, scikit-learn et statsmodels.
PROGRAMME DE FORMATION

Introduction à la modélisation

  • Introduction au langage Python.
  • Introduction au logiciel Jupiter Notebook.
  • Les étapes de construction d'un modèle.
  • Les algorithmes supervisés et non supervisés.
  • Le choix entre la régression et la classification.

Travaux pratiques
Installation de Python 3, d'Anaconda et de Jupiter Notebook.

Procédures d'évaluation de modèles

  • Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
  • Test de représentativité des données d'apprentissage.
  • Mesures de performance des modèles prédictifs.
  • Matrice de confusion, de coût et la courbe ROC et AUC.

Travaux pratiques
Mise en place d'échantillonnage de jeux de donnes. Effectuer des tests d'évaluations sur plusieurs modèles fournis.

Les algorithmes supervisés

  • Le principe de régression linéaire univariée.
  • La régression multivariée.
  • La régression polynomiale.
  • La régression régularisée.
  • Le Naive Bayes.
  • La régression logistique.

Travaux pratiques
Mise en œuvre des régressions et des classifications sur plusieurs types de données.

Les algorithmes non supervisés

  • Le clustering hiérarchique.
  • Le clustering non hiérarchique.
  • Les approches mixtes.

Travaux pratiques
Traitements de clustering non supervisés sur plusieurs jeux de données.

Analyse en composantes

  • Analyse en composantes principales.
  • Analyse factorielle des correspondances.
  • Analyse des correspondances multiples.
  • Analyse factorielle pour données mixtes.
  • Classification hiérarchique sur composantes principales.

Travaux pratiques
Mise en œuvre de la diminution du nombres des variables et identification des facteurs sous-jacents des dimensions associées à une variabilité importante.

Analyse de données textuelles

  • Collecte et prétraitement des données textuelles.
  • Extraction d'entités primaires, d'entités nommées et résolution référentielle.
  • Étiquetage grammatical, analyse syntaxique, analyse sémantique.
  • Lemmatisation.
  • Représentation vectorielle des textes.
  • Pondération TF-IDF.
  • Word2Vec.

Travaux pratiques
Explorer le contenu d'une base de textes en utilisant l'analyse sémantique latente.

Participants / Prérequis

» Participants

Responsables Infocentre (Datamining, Marketing, Qualité...), utilisateurs et gestionnaires métiers de bases de données.

» Prérequis

Connaissances de base en statistiques ou avoir suivi le stages"Statistiques, maîtriser les fondamentaux" (Réf. STA). Connaissances de base en Python.
Intra / sur-mesure

Demande de devis intra-entreprise
(réponse sous 48h)

Vos coordonnées

En cochant cette case, j’atteste avoir lu et accepté les conditions liées à l’usage de mes données dans le cadre de la réglementation sur la protection des données à caractère personnel (RGPD).
Vous pouvez à tout moment modifier l’usage de vos données et exercer vos droits en envoyant un email à l’adresse rgpd@orsys.fr
En cochant cette case, j’accepte de recevoir les communications à vocation commerciale et promotionnelle de la part d’ORSYS Formation*
Vous pouvez à tout moment vous désinscrire en utilisant le lien de désabonnement inclus dans nos communications.
* Les participants inscrits à nos sessions de formation sont également susceptibles de recevoir nos communications avec la possibilité de se désabonner à tout moment.
Avis vérifiés
picto avis vérifiés
Prasaad C. 15/04/2019
4 / 5
Très bonne formation, permet de bien cerner les bases du Machine Learning. Je m'attendais à plus de théorie (la partie pratique est déjà très bien documentée par des MOOC alors que des cours théoriques de qualité sont plus difficiles à trouver). Formateur dynamique et à l'écoute, merci !

Thomas D. 15/04/2019
5 / 5
Formation très dense, cela va donc très vite sur certains points et il serait donc bon d'avoir un plan de cours plus clair. Mais sinon très bien, j'ai appris plein de choses.

Sébastien D. 15/04/2019
5 / 5
Le contenu et la pédagogie répondent complètement à mes attentes. Seul le support de cours m'a l'air un peu moins utile car il me semble redondant des notebooks effectués pendant la formation.

Kévin G. 15/04/2019
5 / 5
Formateur très impliqué et très pédagogue. Très bon contenu pour se lancer dans le monde du Machine Learning. De nombreux exemples d'application à disposition.

Aurelie B. 15/04/2019
5 / 5
Bonne base pour démarrer des analyses. Très bon équilibre entre le code à écrire et le reprise de l'existant. Intervenant qui s'adapte aux questions des élèves

Benjamin M. 19/03/2019
4 / 5
Le support ne suis pas le cours, pas évident pour prendre des notes

Dalibor D. 19/03/2019
4 / 5
Le formateur est d'un niveau technique élevé mais j'ai eu du mal à voir où était le fil conducteur de la formation. J'aurais également apprécié d'avoir plus de commentaires dans le code et avoir une vision plus synthétique des exercices et des choses à retenir. Il me faudra du temps pour revenir, comprendre et assimiler le contenu de cette formation.

bousquuié 19/03/2019
4 / 5
formation un peu dense sur 4 jours, plus de temps de pratique serait un plus. il serait souhaitable de préciser des le départ la finalité du ML et mieux définir les différentes catégories et techniques du ML afin d'avoir une mise en perspective. formateur compétent et à l'écoute.

Patricia D. 19/03/2019
4 / 5
j'aurai préféré des exercices plus simples et moins nombreux : un exercice ciblé pour chaque notion ce serait plus facile avec un cours plus structuré , suivant le support. pas de réponse à des cas précis d'usage en scéance, pour lutte contre la fraude,apache spark, j'espère recevoir les documents

Antonio A. 19/03/2019
4 / 5
Un contenu très (trop ?) riche. La présentation gagnerait en clarté si elle était plus linéaire.

luc t. 19/03/2019
5 / 5
Le formateur est très compétent sur le sujet et est capable de rapidement répondre à nos questions ce qui est très appréciable. Ce qui m'a manqué c est de ne pas avoir un tableau de synthèse des méthodes et ou des parties abordées et un descriptif/ une approche plus structuré pour pouvoir my referer. A la fin de la formation j'étais à la fois content du contenu mais frustré d etre incapab

Christophe F. 19/03/2019
5 / 5
Cours très intéressant avec de très bonnes présentations et illustrations. M. Bizoï disponible à tout moment pour approfondir certaines parties et pour répondre aux questions et interrogations des étudiants. Son expérience, qu'il a partagée avec nous, est une véritable plus value pour la formation. Je suis 100% satisfait sur le contenu pédagogique.

Lydia B. 11/12/2018
3 / 5
Un problème de temps pour chaque sujet traité. Beaucoup de théorie et de la pratique vue dans la superficialité. Malheureusement, je pense avoir couvert de nombreuses notions en machine learning cependant, nous ne prenons pas le temps de traiter véritablement les sujets. Les choses sont vues globalement et très rapidement pour satisfaire le prg. Il aurait fallut 2 semaines pour le tout. Par ailleurs, nous avons couvert 80% du programme. Le formateur [eac

Guillaume R. 11/12/2018
4 / 5
Revoir les pré requis sur le site internet. Rajouter Stats + minimum de python. Format trop court pour avoir le temps de rentrer dans le détails. Peut être avoir format uniquement sur la regression, classification et clustering.

Frederic L. 11/12/2018
5 / 5
Contenu très dense. Mériterait une journée de plus, histoire de faire davantage d'exercices pratiques et d'approfondir certains sujets.

Lila C. 11/12/2018
5 / 5
Des bases de Python sont nécessaires, l'indiquer dans les prérequis de l'offre de formation permettrait d'accorder plus de temps aux questions de Data Science. Très bonne satisfaction par ailleurs, puisque j'estime avoir rempli mon objectif personnel : m'être appropriée les bases, et avoir trouvé des supports pour approfondir le sujet.

Michaud F. 11/12/2018
5 / 5
Ce cours nécessiterait un pré-requis en programmation.

Raphael B. 05/11/2018
5 / 5
extrêmement intéressant sujet et surtout formateur passionnants très dense en 4 jours

Gabriel O. 05/11/2018
5 / 5
Très satisfait

Gérald M. 05/11/2018
5 / 5
N'ayant jamais utilisé python, j'ai eu du mal le premier jour à manipuler le code et l'environnement le 1er jour. Je m'y suis fait par la suite.
Avis client 4,4 / 5

Les avis client sont issus des feuilles d’évaluation de fin de formation. La note est calculée à partir de l’ensemble des avis datant de moins de 12 mois.

Pour vous inscrire

Cliquez sur la ville, puis sur la date de votre choix.
[-]
PARIS

Horaires

Les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45.
Pour les stages pratiques de 4 ou 5 jours, les sessions se terminent à 15h30 le dernier jour.
Formations conseillées
Filières métiers
Thème associé
linkedin orsys
twitter orsys
it! orsys
instagram orsys
pinterest orsys
facebook orsys
youtube orsys