1. AI / machine learning using advanced libraries
PUBLIC : Dirigeants, salariés, demandeur d’emplois
TYPE DE FORMATION : PRÉSENTIEL
DURÉE : 21h (3 jours)
PRIX : 1690€
PRÉREQUIS : Connaissances de base en programmation Python ou avoir suivi la
formation Piscine Core Python Programming
CERTIFICATION : Délivrance d’une attestation de formation
CAPACITÉ : 30 Participants
DÉLAIS D’ACCÈS : 24 heures
RÉGRESSION LINÉAIRE
Concevez des modèles de régression linéaire, avec ou sans bibliothèques.
RÉGRESSION LINÉAIRE
Créez des modèles de régression linéaire multiple pour analyser des relations complexes entre plusieurs variables.
RÉGRESSION LINÉAIRE
Approfondissez votre compréhension des techniques de régression linéaire grâce à des exercices de manipulation de données, de visualisation et de statistiques.
1. Objectifs de la formation
Python pour l’analyse de données
Pandas & NumPy pour la manipulation
Seaborn & Matplotlib pour la visualisation
Scikit-learn pour la régression et la prédiction
2. programme détaillé (par jour)
JOUR 1
Exploration des données
Rappel de Python pour l’analyse de données, découverte de Pandas, exploration et nettoyage des tableaux, visualisation avec Seaborn et Matplotlib. Travail en binôme sur exercices pratiques.
JOUR 2
Régression
linéaire
Implémenter et visualiser une régression linéaire simple avec NumPy, et réaliser des prédictions sur des données réelles.
JOUR 3
Modélisation avancée
Nettoyer, transformer et enrichir les données, créer et évaluer un modèle de régression multiple avec Python, et réaliser des prédictions sur des datasets
réels à travers des exercices pratiques et un projet guidé.
OBJECTIF PÉDAGOGIQUE
À l’issue de la formation, les participants seront capables de :
• Explorer, nettoyer et préparer des jeux de données.
• Visualiser des données et interpréter les résultats.
• Créer des modèles de régression simples pour faire des prédictions.
• Appliquer des méthodes de base en Machine Learning dans un contexte
professionnel.
COMPÉTENCES VISÉES
Explorer, nettoyer et préparer des jeux de données complexes.
• Visualiser et interpréter des données à l’aide de Python, Pandas, Seaborn et Matplotlib.
• Comprendre et analyser les relations entre variables pour construire des modèles prédictifs.
• Implémenter, évaluer et utiliser des modèles de régression simple et multiple avec Python et scikit-learn.
• Appliquer les connaissances acquises à travers des exercices pratiques et des projets guidés pour résoudre des problèmes réels.
MODALITÉS PÉDAGOGIQUES
La formation repose sur une pédagogie active et immersive, inspirée des pratiques collaboratives.
• Alternance d’apports théoriques courts et de mises en pratique immédiates.
• Exercices progressifs individuels et en binôme.
• Projets collaboratifs encadrés.
• Retours réguliers de l’équipe pédagogique.
Les contenus sont communs à l’ensemble des participants, avec une adaptation des exemples et des cas pratiques selon les profils professionnels du groupe.
MODALITÉS D’ÉVALUATION ET DE VALIDATION DES ACQUIS
• Évaluation continue à travers les exercices pratiques réalisés tout au long de la formation.
• Validation des compétences via un projet complet d’analyse et de modélisation de données.
• Évaluation finale basée sur la capacité à explorer, nettoyer, visualiser et prédire à partir de datasets réels, et à construire et évaluer des modèles de régression simples et multiples.
• Délivrance d’une attestation de formation et de compétences acquises
MOYENS D’ENCADREMENT ET DE SUIVI
• Encadrement assuré par une équipe pédagogique référente.
• Suivi de la progression des participants tout au long de la formation.
• Accompagnement individualisé en cas de difficulté.
MOYENS TECHNIQUES
• Salles de formation adaptées au travail collaboratif (open space / amphithéâtre).
• Postes informatiques individuels équipés pour Python et l’analyse de données (Jupyter Notebook, IDE, bibliothèques Pandas, NumPy, Matplotlib, Seaborn, scikit-learn).
• Environnement de développement prêt à l’emploi avec packages Python installés.
• Connexion internet haut débit sécurisée pour l’accès aux datasets et ressources en ligne.
• Supports pédagogiques numériques fournis : slides, notebooks, datasets.
• Espaces de pause favorisant les échanges et la cohésion de groupe.
ADAPTATION AUX BESOINS PROFESSIONNELS
Les compétences acquises permettent une application directe en contexte professionnel, notamment :
• Montée en compétence en analyse de données et Machine Learning pour les profils débutants ou techniques.
• Amélioration de la qualité et de la fiabilité des analyses de données dans un environnement professionnel.
• Capacité à explorer, nettoyer, visualiser et interpréter des jeux de données réels, ainsi qu’à créer des modèles de régression simples et multiples pour des prédictions pertinentes.
• Préparation à des missions d’analyse de données, de reporting et de mise en œuvre de modèles de Machine Learning dans des projets d’entreprise.
ACCESSIBILITÉ AUX PERSONNES EN SITUATION DE HANDICAP
La formation est accessible aux personnes en situation de handicap.
Un référent handicap est disponible pour étudier les besoins d’adaptation spécifiques.
