- Rappels sur le Machine Learning
- Présentation du Deep Learning
- Rappels de bases de Python pour le Deep Learning
- Implémentation d'un algorithme de classification d'images avec PyTorch

- Rappel d'algèbre linéaire
- Estimation statistique
- Distribution de probabilités

- Découverte de la méthodologie CRISP-DM de traitement de la donnée pour les projets impliquant des algorithmes de Machine Learning.
- Détail de chaque étape avec des cas d'usage précis, des exemples de traitements à appliquer selon le type de donnée (texte, image, donnée structurée) et les bonnes pratiques à utiliser.
- Un Lab d'une heure pour appliquer la méthode sur un cas d'étude en Python.
Je n'aborderai dans cette formation que très rapidement les types d'algorithmes du Machine Learning.

- Les premiers pas : logiciel pour faire tourner Python, les conditions, variables, types, fonctions, boucles, exceptions..
- Les bibliothèques standards, lecture/modification de fichiers, traitement de la donnée, visualisations
- Cas d'usage de Python

- Visualisation avec les bibliothèques Pandas, Matplotlib et Seaborn pour la donnée structurée
- Exploration de types de données textuelles, cartographiques ou d'image
- Créer un tableau de bord en Python avec Dash

Initiation à Python.
Découvrez les fondamentaux et les applications possibles du language Python

Initiation aux principales bibliothèques Python de Data Science tels que : Pandas, Numpy, Matplotlib, Scikit-learn.

Initiation au logiciel de tableaux dynamiques Power BI.
Premiers pas avec le logiciel.
Découverte des tenants et aboutissants.
Création des premiers dashboards.

1. Présentation générale de Tableau Desktop
2. Connexion à une source de données et préparation de la donnée
3. Création de feuilles
4. Création d'un tableau de bord

Cette session d'une demi-journée à pour objectif de vous apprendre les bases de Tableau et comment démarrer efficacement

I. Introduction à SQL (Durée : 30 minutes)
II. Les fondamentaux de SQL (Durée : 1 heure)
III. Requêtes avancées en SQL (Durée : 1 heure)
IV. Optimisation des performances (Durée : 1 heure)
V. Conclusion et ressources supplémentaires (Durée : 30 minutes)

I- Introduction à Tableau (30 minutes)
Présentation de Tableau Desktop
Installation et configuration de Tableau Desktop
Navigation dans l'interface utilisateur de Tableau
II - Préparation des données (1 heure)
Importation des données dans Tableau
Nettoyage et préparation des données pour le reporting (ETL)
III- Création de visualisations (1h:30)
Création de tableaux de bord interactifs et visuellement attractifs
Utilisation des différentes options de visualisation : graphiques, cartes, tableaux croisés dynamiques, etc.
Personnalisation des visualisations : couleurs, étiquettes, filtres, etc.
VI - Analyses avancées et publication des rapports (1h30 heure)
Création de filtres, de groupes
Publication en ligne, collaboration et exportation

1. Introduction à la visualisation des données
2. Visualisation de données statiques avec Python
3. Visualisation interactive avec Python
4. Visualisation de données géospatiales avec Python
5. Visualisation avancée et storytelling des données

I - Introduction aux concepts de base de probabilité (1 heure)
II- Analyse statistique descriptive (1 heure)
III- Analyse statistique inférentielle (1 heure)

Découvrez les réseaux neuronaux (Deep Learning) avec Keras

Cette formation vous permettra d’éclairer vos prises de décisions sur les grands chantiers de la donnée initiés en entreprise.

Formation en Data Science orientée opérationnelle via du code (Python).

1/ Découverte et prise en main de Power BI
2/ Effectuer la connexion de Power BI à des sources de données.
3/ Fondamentaux (notion) & Introduction au langage DAX.
4/ Explication des liens existants entre Power BI et les formules Excel
5/ Découverte des mesures et différents type de graphiques

1/ Examen de cas d'usage d'outil SQL
2/ Connaitre la distinction entre le langage relationnel et non relationnel
3/ Introduction à Merise
4/ Les fondamentaux des SGBDR ( détail : exemples de SGBDR)
5/ Méthodologie à la création de requête
6/ Introduction à la notion de jointure
7/ Apprentissage à la création des procédures stockées.
8/ Méthodologie d'optimisation par les statistiques

1/ Découverte et introduction à Tableau Software
2/ Appréciation des différents outils dans Tableau
3/ La mise en connexion des sources de données
4/ Fondamentaux & Initiation à la Data Storytelling
5/ Découverte des mesures et différents type de graphiques
6/ Création/Développement des "cartographies dynamique"

Le traitement du langage ou Natural Langage Processing va bien au delà de l'analyse de sentiment chère au marketing.
Cette formation est accès sur l'exploitation effective de données textuelles issues du monde réel: larges et bruitées.
Cette formation s'adresse à des personnes qui veulent rapidement savoir ce que le NLP peut apporter comme solutions, ou qui souhaite approfondir une technique particulière.

Parfois délicate à interpreter, la régression linéaire apporte des outils puissant d'analyse de données et reste une méthode de choix lorsque l'on souhaite comprendre les dynamiques au sein d'un jeu de données.
Cette formation couvre la prédiction linéaire dans une approche statistique classique.
Elle s'adresse à des personnes qui utilisent ou prévoient d'utiliser la régression linéaire pour répondre à des questions de quantification et de fiabilité des variables.
Formation en Python ou R

Partir des fondamentaux théoriques pour les mettre en pratique avec du code python.
Les notions abordées sont nombreuses, avec possibilité de spécialisation dans un domaine en particulier :
- proba / stat
- machine learning
- évaluation et monitoring des modèles
- recherche d'incertitude dans les modèles
- deep learning

Découverte, prise en main des bases de Tableau

Découverte de Power BI

Découverte des bases de SQL

Un cours d'introduction à Python, donnant les bases pour la data science :
- les différents types de variables
- les conditions
- les boucles
- les collections d'objets
- les fonctions
- les classes

Introduction à Pandas pour l'analyse de données :
- Les notions de Series et DataFrame
- Importer et exporter des jeux de données avec Pandas de multiples formats (e.g. csv, excel, html...)
- Trier des données
- Manipulations avancées avec Pandas (e.g. groupby, join)
- Visualisation basique

Une introduction à l'une des méthodes de machine learning les plus utilisées : la classification. Un cas concret sera abordé : l'attrition client ou customer churn.
L'objectif est d'aborder comment est conduit un projet de machine learning, étape par étape, jusqu'à l'évaluation des performances finales d'un modèle.
Il est prérequis de connaitre les bases en Python, et si possible en Pandas.

Un cours d'introduction au Deep Learning avec Tensorflow, permettant d'apprendre les bases :
- Les réseaux de neurones classiques
- Les réseaux de neurones convolutifs
- Le transfer learning
Les cas d'applications vus durant la formation peuvent être sur mesure, mais par défaut seront de la classification d'images.

Les fondamentaux pour constituer un jeu de données

L'objectif de la formation est de présenter un tour d'horizon des possibilités offertes par le langage Python et ses packages data classiques :

Les basiques pour découvrir le machine learning