Course curriculum

  1. 1

    • Qu'est-ce que la data science, le machine learning et pourquoi Python ?

    • Qu'est-ce que la data science, le machine learning et pourquoi Python ?

    • Présentation de Jupyter Notebook et Spyder

    • Présentation de Jupyter Notebook et Spyder
  2. 2

    • Les matrices et le calcul matriciel

    • Les matrices et le calcul matriciel

    • Création de vecteurs et matrices avec la classe ndarray

    • Création de vecteurs et matrices avec la classe ndarray

    • Introduction au sous-module Random

    • Introduction au sous-module Random

    • Le calcul matriciel avec Numpy

    • Le calcul matriciel avec Numpy

    • Indexing, slicing et boolean indexing

    • Indexing, slicing et boolean indexing

    • Exercice: traitement d'une image en noir et blanc

    • Traitement d'une image en noir et blanc
  3. 3

    • Introduction à Matplotlib

    • Introduction à Matplotlib

    • Les fonctions satter et plot

    • Les fonctions scatter et plot

    • Les fonctions hist, pie et le subplotting

    • Les fonctions hist, pie et le subplotting

    • Utilisation d'un histogramme pour analyser une image en NB

    • Utilisation d'un histogramme pour analyser une image en NB

    • L'approche orientée objet

    • L'approche orientée objet

    • Les graphiques 3D

    • Les graphiques 3D
  4. 4

    • Introduction à Pandas

    • Introduction à Pandas

    • Nettoyer et filtrer des données

    • Nettoyer et filtrer des données

    • Statistiques: notions théoriques

    • Statistiques: notions théoriques

    • Mini-projet_ les survivants du Titanic (1)

    • Mini-projet : les survivants du Titanic (1)

    • Mini-projet_ les survivants du Titanic (2)

    • Mini-projet : les survivants du Titanic (2)

    • Mini-projet_ les survivants du Titanic (3)

    • Mini-projet : les survivants du Titanic (3)

    • PROJET DE VALIDATION I
  5. 5

    • Les variables quantitatives

    • Les variables quantitatives

    • Les distributions de données (1)

    • Les distributions de données (1)

    • Les distributions de données (2)

    • Les distributions de données (2)

    • Les variables qualitatives

    • Les variables qualitatives

    • PROJET DE VALIDATION II
  6. 6

    • Introduction à la librairie SciPy

    • Introduction à Scipy

    • Résolution d'équations par dichotomie sans et avec Scipy

    • Résolution d'équations par dichotomie sans et avec Scipy

    • L'algorithme du gradient descendant et la minimisation de fonctions

    • L'algorithme du gradient descendant et la minimisation de fonctions

    • L'interpolation polynomiale

    • L'interpolation polynomiale

    • Traitement d'un signal audio (1) - Introduction

    • Traitement d'un signal audio (1) - Introduction

    • Traitement d'un signal audio(2) - Creation du signal

    • Traitement d'un signal audio (2) - Création du signal

    • Traitement d'un signal audio(3) - Filtrage du signal

    • Traitement d'un signal audio (3) - Filtrage du signal

  7. 7

    • Introduction aux familles de méthodes en machine learning

    • Introduction aux familles de méthodes en machine learning

    • Les concepts de base des problèmes de régression

    • Les concepts de base des problèmes de régression

    • La formalisation matricielle

    • La formalisation matricielle

    • Mini-projet: implémentation de la méthode

    • Mini-projet: Implémentation de la méthode

    • Les régressions avec Scikit-Learn

    • Les régressions avec Scikit-Learn

    • L'underfitting et l'overfitting

    • L'underfitting et l'overfitting

    • Les régressions multiples avec Scikit-Learn

    • Les régressions multiples avec Scikit-Learn

    • PROJETS DE VALIDATION III
  8. 8

    • Introduction aux problèmes de classification

    • Introduction aux problèmes de classification

    • La régression logistique

    • La régression logistique

    • L'algorithme des K plus proches voisins (KNN)

    • L'algorithme des K plus proches voisins (KNN)

    • L'apprentissage par arbre décisionnel

    • L'apprentissage par arbre décisionnel

    • Le principe des apprentissages ensemblistes et la forêt d'arbres décisionnels

    • Le principe des apprentissages ensemblistes et la forêt d'arbres décisionnels

    • Le dilemme biais/variance et les apprentissages ensemblistes avec Scikit-Learn

    • Le dilemme biais/variance et les apprentissages ensemblistes avec Scikit-Learn
  9. 9

    • Introduction et visualisation des données

    • Introduction et visualisation des données

    • Préparation des données

    • Préparation des données

    • Choisir son modèle de machine learning

    • Choisir son modèle de machine learning

    • Optimiser les paramètres d'un modèle avec la cross-validation

    • Optimiser les paramètres d'un modèle avec la cross-validation

    • Utilisation des pipelines

    • Utilisation des pipelines

    • Sélection finale de la meilleure méthode

    • Sélection finale de la meilleure méthode

    • Prédiction de la production du champ d'éoliennes

    • Prédiction de la production du champ d'éoliennes

    • PROJET APPRENTISSAGE SUPERVISE
  10. 10

    • Introduction a l'apprentissage non supervise

    • Introduction à l'apprentissage non supervisé

    • L'algorithme des K-Means

    • L'algorithme des K-Means

    • Mise en place de l'algorithme des K-Means

    • Mise en place de l'algorithme des K-Means

    • Le clustering de chiffres manuscrits avec K-Means

    • Le clustering de chiffres manuscrits avec K-Means

    • Réduction dimensionnelle et détection d'anomalies: le pré-traitement avant le clustering

    • Réduction dimensionnelle et détection d'anomalies: le pré-traitement avant le clustering

    • Les principes de l'algorithme d'association Apriori

    • Les principes de l'algorithme d'association Apriori

    • Application de l'algorithme Apriori pour l'exploration d'achats

    • Application de l'algorithme Apriori pour l'exploration d'achats
  11. 11

    • Introduction et visualisation des données

    • Introduction et visualisation des données

    • Réduction dimensionnelle et détection d'anomalies

    • Réduction dimensionnelle et détection d'anomalies

    • Clustering des données

    • Clustering des données

    • Interprétation des clusters

    • Interprétation des clusters

    • Exploration des données par association

    • Exploration des données par association

    • PROJET DE VALIDATION V
  12. 12

    • Concepts de base de l'apprentissage par renforcement

    • Concepts de base de l'apprentissage par renforcement

    • L'algorithme ε-greedy

    • L'algorithme ε-greedy

    • Les principes de l'algorithme Q-learning

    • Les principes de l'algorithme Q-learning

    • Apprentissage d'une voiture autonome par Q-learning

    • Apprentissage d'une voiture autonome par Q-learning
  13. 13

    • Introduction au deep learning

    • Introduction au deep learning

    • Le perceptron

    • Le perceptron

    • Implémentation de l'algorithme du perceptron

    • Implémentation de l'algorithme du perceptron

    • Introduction aux réseaux de neurones: la propagation avant

    • Introduction aux réseaux de neurones: la propagation avant

    • Création d'un réseau de neurones avec la librairie TensorFlow

    • Création d'un réseau de neurones avec la librairie TensorFlow

    • La rétropropagation

    • La rétropropagation

    • Les variantes de la descente de gradient

    • Les variantes de la descente de gradient

    • Reconnaissance de chiffres manuscrits par classification: la revanche !

    • Reconnaissance de chiffres manuscrits par classification: la revanche !

    • Prédiction des prix de l'immobilier à Paris par régression

    • Prédiction des prix de l'immobilier à Paris par régression

  14. 14

    • Introduction aux produits de convolution

    • Introduction aux produits de convolution

    • La transformation d'images par convolution et pooling

    • La transformation d'images par convolution et pooling

    • Mise en place d'un réseau de neurones convolutif

    • Mise en place d'un réseau de neurones convolutif

    • Les architectures de réseaux convolutifs

    • Les architectures de réseaux convolutifs

    • Reconnaissance de chiens et chats par transfer learning

    • Reconnaissance de chiens et chats par transfer learning
  15. 15

    • Introduction aux problèmes temporels/séquentiels

    • Introduction aux problèmes temporels/séquentiels

    • Les réseaux de neurones récurrents à mémoire court terme (RNN) et long terme (LSTM)

    • Les réseaux de neurones récurrents à mémoire court terme (RNN) et long terme (LSTM)

    • Prédictions d'actions en Bourse avec un réseau LSTM

    • Prédictions d'actions en Bourse avec un réseau LSTM

    • Détection de "haters" sur Twitter par analyse de messages écrits

    • Détection de "haters" sur Twitter par analyse de messages écrits

    • PROJETS DE FIN DE FORMATION