Impression PDF

 Descriptif
 Horaires

Orientation

Avant de vous inscrire, il est fortement recommandé de passer un entretien avec le responsable pédagogique.

  • Ouvert aux inscriptions
  • Ouvert, plus que quelques places disponibles
  • Fermé aux inscriptions
Statut Ref CAF Intitulé Jours Dates Heures Durée CHF Bâtiment

p : périodes de 45 minutes.

Définition

Ces dernières années, les algorithmes d'apprentissage automatique (appélé aussi apprentissage statistique ou machine learning en anglais) ont permis de faire des progrès importants dans l'analyse des données et l'élaboration des prédictions (projections).
Le langage de programmation Python est un des langages les plus utilisés actuellement pour des analyses statistiques en raison de sa simplicité et de sa riche bibliothèques des modules de toute sorte dont celles conçues pour l'analyse statistique et plus spécifiquement pour faire des prédictions.
Ce cours a un double objectif : vous apprendre le langage Python et vous faire découvrir un de ses domaines d'application les plus prometteurs qui est l'analyse statistique et l'élaboration de prédictions/projections statistiques.

Prérequis

Avoir une bonne compréhension de l'activité de programmation et idéalement avoir travaillé avec des données (tableurs comme excel, base de données, etc).

Public

Toute personne intéressée à l'analyse statistique et à l'apprentissage statistique (machine learning).

Objectifs

A la fin de ce cours, les participants seront capables de :
Lire le code Python
Modifier/Mettre à jour le code Python
Développer des applications Python (importer des modules externes, créer des modules)
Manipuler les structures de données (tableaux, listes et dictionnaires de données)
Importer les données prévenant des tableurs Excel (format CSV), des bases de données (MySQL, SQLite, etc), Lire/Ecrire dans les fichiers
Intégrer les données externes (webservices), JSON, XML
Utiliser les bibliothèques SciPy, NumPy, Pandas, etc pour l'importation et l'analyse des données statistiques et les projections
Comprendre les données et les normaliser
Choisir et appliquer les algorithmes d'apprentissage statistique utilisés pour faire des prédictions.

Contenu

1. Caractéristiques et Environnement de développement
2. Structure d'un programme
3. Types de données et principes opérateurs
4. Principaux modules et fonctions
5. Structures de données (tableaux, listes, tuples et dictionnaires).
6. Créer ses propres modules
7. Programmation orientée-objet
8. Entrées/Sorties (fichiers).
9. Accès base de données
10. Gestion des exceptions
11. Accès aux données des fichiers au format CSV (Excel)
12. Intégration des données éloignées (format JSON, XML).
13. Elaboration des prédictions comme sous domaine du machine learning
14. Principaux algorithmes de prédictions
15. Tâches principales de prédictions :
a. Délimiter le problème,
b. analyser les données,
c. préparer les données,
d. choisir et évaluer l'algorithme,
e. améliorer l'algorithme et les résultats,
f. présenter les résultats.
16. Passage de la théorie à la pratique en utilisant les données disponibles dans le domaine public et accessibles gratuitement.

Méthode

La méthodologie est participative avec des exercices pratiques et repose sur une implication importante de la part des apprenants.

Matériel

Support de cours

Intervenants

Formateur/Professionnel de la branche qualifié et expérimenté

Remarques


Contact

  Jours Dates Heures Durée CHF Lieu Contact
Programmation L M M J V S sur rendez-vous 0.- Jaouad Ibriz
jaouad.ibriz@ifage.ch
×
×
×
×
×

Nous utilisons des cookies pour améliorer votre navigation et analyser le trafic sur notre site.
En consultant ce dernier, vous acceptez l'utilisation des cookies en conformité avec nos Règles de protection des données personnelles. Ok, j'ai compris