Data Mining & Machine Learning: introduction

Objectifs :

Maîtriser les principaux concepts d’apprentissage automatique et d’exploration de données
Comprendre la hiérarchie des besoins en données
Comprendre les applications scientifiques et commerciales de l’apprentissage automatique

Outils à maîtriser :

Python
Carnet Jupyter
Collab Google

Module 1 : L’ère des données 

Introduction 
Big data (big data) 
Apprentissage automatique et intelligence artificielle
Traitement des données avec Python et Scala
Langage de programmation Python

Module 2 : Gestion de projets axés sur les données 

La pyramide des données
Kdd
CRISP- DM
Méthodes agiles pour les data scientists

Module 3: Python – Jupyter IDE

L’IDE interactif
Cahiers en cours d’exécution avec jupyter
Collab Google
Enquête sur les bases de programmation python
Gestion des données avec python

Module 4 : Préparation des données avec pandas

Les données disponibles nécessitent-elles un pré-traitement?
Accès aux données avec python
Préparation des données avec Pandas : processus ETL

Module 5 : Techniques d’exploration de données

Exploration et analyse de données 
Science des données et exploration de données 
Techniques minières
Exploitation minière Règles relatives aux articlesfréquents et  aux associations
Algorithmes de recommandation 
Cas d’utilisation commerciale

Module 6 : Techniques d’apprentissage automatique 

Apprentissage supervisé : le concept
Classification 
Régression
Formation, test et évaluation de modèles
Apprentissage non supervisé 
Cas d’utilisation commerciale 

Module 7 : Analyse des données exploratoires : EDA

Repères UCI 
Résumé des ensembles de données
Eda
Outils statistiques pour l’AED
Visualisation de données
Explorer visuellement les données