Qu'est-ce que je vais apprendre ?

Apprenez à visualiser des données sous différentes formes avec Matplotlib et Seaborn
Comprenez les principes du calcul matriciel afin d'en tirer profit pour faire du machine learning
Nettoyez et préparez vos données de manière simple et rapide avec Pandas
Apprenez à développer vous-même des algorithmes de machine learning !
Apprenez à développer des modèles prédictifs grâce aux puissants algorithmes de Scikit-Learn
Faire de la reconnaissance et de la classification d'images
Faire de l'analyse et du traitement de signaux
Apprenez à exploiter la puissance du deep learning pour résoudre des problèmes complexes !
Chapitre 1 : Introduction à la data science avec Python
3 leçons
00:52:00
À l'abordage
Qu'est-ce que la data science, le machine learning et pourquoi Python ?
Présentation de Jupyter Notebook et Spyder
Chapitre 2 : Les bases de Numpy
6 leçons
02:12:00
Chapitre 3 : La visualisation de données avec Matplotlib
6 leçons
02:24:00
Chapitre 4 : La manipulation et l'analyse de données avec Pandas
6 leçons
03:19:00
Chapitre 5 : La visualisation de données avec Seaborn
4 leçons
01:39:00
Chapitre 6 : La programmation scientifique avec Scipy
7 leçons
02:59:00
Chapitre 7 : Le machine learning | Apprentissage supervisé : problèmes de régression
7 leçons
03:33:00
Chapitre 8 : Le machine learning | Apprentissage supervisé : problèmes de classification
6 leçons
03:07:00
Chapitre 9 : Projet d'apprentissage supervisé : prédiction de la production d'un champ d'éoliennes
7 leçons
04:13:00
Chapitre 10 : Le machine learning | Apprentissage non supervisé
7 leçons
03:34:00
Afficher les 15 chapitres

Les prérequis pour suivre cette formation

Des connaissances dans le langage de programmation Python sont nécessaires

Des connaissances de base en mathématiques sont recommandées

Certains des projets que nous allons coder ensemble

Les survivants du Titanic
Filtrage du bruit d'un signal audio
Prédiction de la production d'un champ d'éoliennes
Identifier des pays en situation d'extrême pauvreté
Apprentissage d'une voiture autonome
Prédictions d'actions en Bourse

Nous utiliserons différentes librairies de manière à analyser statistiquement les survivants du Titanic ! Qui avait le meilleur taux de survie parmi les passagers ?

Description

La science des données (ou data science) est un domaine interdisciplinaire qui consiste à combiner des statistiques, du développement d’algorithmes et de l’apprentissage automatique (machine learning) dans le but créer de nouvelles connaissances sur base de données. La data science est une discipline qui se concentre sur l'analyse de données et sur la création d'informations exploitables à partir de données brutes. Le machine learning, quant à lui, est une branche de l'intelligence artificielle qui permet aux machines d'apprendre à partir des données.

En combinant la data science et le machine learning, les data scientists peuvent créer des modèles prédictifs sophistiqués et des analyses exploratoires pour extraire des informations utiles à partir des données. Les entreprises peuvent ensuite utiliser ces informations pour prendre des décisions stratégiques et pour améliorer leurs résultats !

Python est l'un des langages de programmation les plus populaires pour faire de la data science et du machine learning en raison de sa flexibilité, de sa grande communauté de développeurs et de ses librairies robustes. Les librairies Python les plus populaires pour la data science et le machine learning sont Numpy, Pandas, Matplotlib, Seaborn et Scikit-Learn mais il en existe bien d'autres également.


En savoir plus

Également inclus dans la formation

Numpy

Numpy

NumPy (Numerical Python) est la bibliothèque la plus populaire de calcul scientifique en Python.
Lire plus

Pandas

Pandas

Pandas est une librairie spécifiquement conçue pour traiter et analyser des données.
Lire plus

Scikit-Learn

Scikit-Learn

Scikit-Learn est LA librairie de référence en Python pour faire du machine learning.
Lire plus