Python avancé pour data-scientists (LY010)

• Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python
• Savoir appliquer les pratiques optimales en matière de nettoyage et de préparation des données avant l'analyse
• Être capable d'extraire des données d'un fichier
• Comprendre les mécanismes d'interconnexion aux bases de données
• Comprendre les principaux outils de traitement et d'analyse de données pour Python.
   

Positionnement Python dans l'analyse de données

• Besoins des data-scientists : calculs, analyse d'images, machine learning, interface avec les bases de données
• Apports de python : grande variété d'outils, expertise dans le domaine du calcul scientifique
• Tour d'horizon des outils:
• pandas, pyarrow, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe.

Calculs et graphiques

• NumPy : Base du calcul sur des tableaux
• SciPy : Scientific Tools for Python, couche scientifique
• Manipulation de tableaux, fonctions mathématiques.
• Représentation graphique avec basemap et matplotlib.
• Atelier : Mise en oeuvre de SciPy/NumPy : manipulation d'images, détection de contours

Être capable d'extraire des données d'un fichier

• Pandas : manipulation de tables de données. Notion de dataframe.
• Manipulation de données relationnelles
• Tableaux avec Pandas: indexation, opérations, algèbre relationnelle
• Stockage dans des fichiers: CSV, JSon
• Comparaison et performances Pandas / pyarrow / NumPy
• Atelier : construction d'ETL de base entre json et csv

Comprendre les mécanismes d'interconnexion aux bases de données

• Définitions : pilotes, connexions, curseurs, CRUD, transactions
• Les pilotes : postgresql, mysql, mariadb, ... Présentation de sql-alchemy
• Opérations : gestion du curseur, chargement de données, insertion et modification d'enregistrements
• Atelier : mise en oeuvre avec postgresql. Construction d'ETL SQL/json.

Comprendre les principaux outils de traitement et d'analyse de données pour Python

• Présentation des outils d'apprentissage Python : scikit-learn, pybrain, TensorFlow/keras, mxnet, caffe
• Atelier : mise en oeuvre de scikit-learn et génération de jeux de données.

Créer des sélections et des classements dans de grands volumes de données pour dégager des tendances

• Présentation de pyspark
• Machine learning et deep learning
• TensorFlow : principe de fonctionnement, plateformes supportées, distribution
   

À qui s’adresse cette formation ?

Développeurs en Python, Développeurs de logiciels, programmeurs, Data analysts, Data scientists

Pré-requis

Bonne connaissance de la programmation Python. 

• Alternance de théorie et pratique avec une vérification des acquis au fur et à mesure de la formation

• Après avoir suivi l’ensemble des modules et validé l’obtention du parcours, un Certificat Pythagore FD vous sera remis. 

Pour vous inscrire, envoyez un mail à  formationcontinue@esiee-it.fr  (réponses sous 48heures).