Se rendre au contenu
Programme de Formation Qualifiante en Data Science

Programme de Formation Qualifiante en Data Science

Objectifs :
Acquérir les compétences nécessaires pour collecter et nettoyer les données.
Utiliser des outils de préparation des données.
Principaux concepts :
Sources de données
Techniques de collecte de données
Nettoyage et transformation des données
Introduction à des outils comme Python (pandas), R, Excel
Méthodes, techniques ou outils pédagogiques :
Ateliers pratiques
Démonstrations de logiciels
Objectifs :
Analyser les données pour en extraire des informations pertinentes.
Visualiser les données pour mieux comprendre les tendances.
Principaux concepts :
Techniques de statistique descriptive
Visualisation de données (matplotlib, seaborn, ggplot2)
Détection des tendances et des anomalies
Méthodes, techniques ou outils pédagogiques :
Travaux pratiques sur des jeux de données réels
Utilisation de logiciels de visualisation
Projets en groupe
Objectifs :
Construire et évaluer des modèles de Machine Learning.
Sélectionner les algorithmes appropriés pour différents types de données.
Principaux concepts :
Introduction au Machine Learning
Types de modèles (régression, classification, clustering)
Techniques de validation des modèles
Introduction à des frameworks comme scikit-learn, TensorFlow, Keras
Méthodes, techniques ou outils pédagogiques :
Cours magistraux et tutoriels
Exercices pratiques avec des jeux de données
Projets de modélisation
Objectifs :
Présenter les résultats de manière claire et concise.
Utiliser des outils de reporting et de visualisation avancés.
Principaux concepts :
Techniques de storytelling avec les données
Utilisation d'outils de reporting (Tableau, Power BI)
Création de tableaux de bord interactifs
Méthodes, techniques ou outils pédagogiques :
Simulations de présentation
Ateliers de création de rapports
Études de cas de communication efficace

Objectifs :
Comprendre les concepts de base de la Data Science.
Identifier les domaines d'application de la Data Science.
Principaux concepts :
Définition de la Data Science
Histoire et évolution de la Data Science
Applications et impact de la Data Science dans divers secteurs
Méthodes, techniques ou outils pédagogiques :
Présentations interactives
Études de cas
Discussions de groupe

Responsable Lambert
Dernière mise à jour 04/10/2024
Membres 1
  • Module 1 : Introduction à la Data Science
    3Leçons ·
    • Définition de la Data Science
      10 xp
    • Histoire et évolution de la Data Science
    • Applications et impact de la Data Science dans divers secteurs
  • Module 2 : Collecte et Préparation des Données
    4Leçons ·
    • Sources de données
    • Techniques de collecte de données
    • Nettoyage et transformation des données
    • Introduction à des outils comme Python (pandas), R, Excel
  • Module 3 : Analyse Exploratoire des Données (EDA)
    3Leçons ·
    • Techniques de statistique descriptive
    • Visualisation de données (matplotlib, seaborn, ggplot2)
    • Détection des tendances et des anomalies
  • Module 4 : Modélisation et Machine Learning
    4Leçons ·
    • Introduction au Machine Learning
    • Types de modèles (régression, classification, clustering)
    • Techniques de validation des modèles
    • Introduction à des frameworks comme scikit-learn, TensorFlow, Keras
  • Module 5 : Communication des Résultats
    3Leçons ·
    • Techniques de storytelling avec les données
    • Utilisation d'outils de reporting (Tableau, Power BI)
    • Création de tableaux de bord interactifs