développeurs en Python, Développeurs de logiciels, programmeurs, Data analysts, Data scientists.
Savoir utiliser les principaux outils de traitement et d'analyse de données pour Python, savoir extraire des données d'un fichier et les manipuler, mettre en place un modèle d'apprentissage simple
Bonne connaissance de la programmation 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 / NumPyAtelier : 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'enregistrementsAtelier : 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,
|