Ateliers Data Science

Nos experts continuent de vous accompagner à distance dans votre apprentissage avec Python. Nous vous proposons désormais une série d’ ateliers de 4 heures chacun qui résultent d'une fusion de nos 4 programmes de formations : Python Scientifique / Data Science, Deep Learning, Notebook Jupyter et Machine Learning.
Si vous ne trouvez pas exactement ce que vous cherchez, n’hésitez pas à nous contacter pour un programme sur mesure.

Kiwi standing on oval

Parcours complet Data Science

Profiter d’une parcours complet en data science : de la manipulation des principaux types de données jusqu’aux techniques avancés en Deep Learning et Machine Learning.

Durée : 6 jours, 11 ateliers de 4h chacun

Objectifs pédagogiques

  • Utiliser les principales librairies de calcul numérique dont Numpy, SciPy, Pandas et Matplotlib
  • Etre capable de créer un notebook Jupyter
  • Savoir mettre en forme des résultats
  • Etre capable d'utiliser des options et/ou bibliothèques complémentaires
  • Charger et manipuler les principaux types de données
  • Comprendre en quoi consiste l'apprentissage automatique (machine learning)
  • Identifier les problèmes pour lesquels ce type de méthode saura apporter une réponse pertinente
  • Connaître les différents types de méthodes et savoir utiliser les principaux algorithmes
  • Être capable d'identifier les problèmes pour lesquels une solution Deep Learning est pertinente
  • Savoir charger et spécialiser un réseau de neurones pré-entraîné
  • Savoir créer un réseau de neurones de zéro
  • Connaître les principales architectures de réseaux de neurones et leur utilité.

Parcours complet Data Science en détail

Programme

  • Introduction à l’univers  scientifique de Python
  • Manipulation d’images
  • Manipulation de données temporalles
  • Manipulation de données géolocalisées
  • Préparer les données pour du Machine Learning
  • Apprentissage supervisé
  • Apprentissage non-supervisé
  • Introduction aux concepts fondamentaux du deep learning
  • Les fonctionnalités de base de Keras
  • Architecture siamoise et données temporelles en deep learning
  • Deep learning et analyse d’images : un exemple autour de la langue des signes

Public et pré-requis

Public

  • Toute personne travaillant dans des secteurs ayant de forts besoins en calculs et simulations mathématiques
  • Informaticiens, scientifiques, chercheurs et ingénieurs travaillant dans les domaines comme les sciences physiques, la chimie, les sciences des matériaux, la génétique, la mécanique des fluides, l'aérospatiale, les statistiques, le monde de la finance, etc...

Pré-requis

  • Connaître l'algorithmie
  • Avoir une première expérience du langage Python
  • Connaître quelques rudiments mathématiques, trigonométrie (sinus, cosinus) et algèbre linéaire (calcul matriciel)

Ces pré-requis seront contrôlés et validés sous forme d’entretien téléphonique réalisé au plus tard 2 semaines avant la formation.

En cas de non adéquation, des solutions alternatives seront proposées.

Personne en situation de handicap

Pour toutes questions relatives à l’accueil d’un participant présentant un handicap, merci de nous contacter préalablement avant toute inscription

Ingénierie pédagogique

Moyens pédagogiques et techniques

  • Les supports de cours (slides) seront disponibles en ligne au début de formation (à l'aide d'un lien vers notre outil interne ou d'une version numérisée), puis fournis au format électronique à la fin de la formation.
  • Une salle de formation virtuelle équipée d'un espace de chat, d'un partage d'écran et d'un tableau blanc.
  • Les pré-requis logiciels seront envoyés par le formateur quelques jours avant le démarrage de la session.
  • Les stagiaires doivent se munir d'un ordinateur avec une connexion internet via ADSL ou Fibre (pas de 3 ou 4G).
  • L'équipement d'un casque avec micro est préférable, des écouteurs peuvent aussi suffirent.

Modalités de suivi de l'exécution du programme

  • Durant les ateliers : alternance d'apports théoriques, d’exercices pratiques et de mise en situation sous forme de travaux supervisés et corrigés avec l’expert-formateur.
  • En fin de formation : évaluation à chaud sur l'atteinte des objectifs pédagogiques sous forme de tour de table et de test de connaissances, d'exercices, de QCM.

Moyens d'encadrement

Formation assurée par un(e) expert(e) Python connaissant les librairies scientifiques.

Nos experts

Bérengère Mathieu

Bérengère Mathieu

Experte data science


Toulouse