> Formations > Technologies numériques > Intelligence Artificielle, Big Data > IA, Machine Learning, analyse de données > Formation Data Science, les fondamentaux > Formations > Technologies numériques > Formation Data Science, les fondamentaux

Formation : Data Science, les fondamentaux

Data Science, les fondamentaux




Enjeu majeur de stratégie pour les organisations, la science des données permet, à partir d’outils mathématiques, de faire apparaître le comportement des données et d’analyser les événements qu’elles décrivent. Ce cours aborde les fondamentaux de la data science et permet d'acquérir une démarche d’analyse de données.


INTER
INTRA
SUR MESURE

Cours de synthèse en présentiel ou en classe à distance
Disponible en anglais, à la demande

Réf. DTX
  2j - 14h00
Prix : 1930 € H.T.
Pauses-café et
déjeuners offerts




Enjeu majeur de stratégie pour les organisations, la science des données permet, à partir d’outils mathématiques, de faire apparaître le comportement des données et d’analyser les événements qu’elles décrivent. Ce cours aborde les fondamentaux de la data science et permet d'acquérir une démarche d’analyse de données.


Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
Connaître les principes de base de la data science et l’organisation de la démarche
Appréhender l’application de la data science afin de résoudre des questions et ses limites
Développer sa capacité d’analyse et d’interprétation des chiffres par la représentation graphique
Comprendre comment utiliser les outils de la data science et développer les modèles à des fins professionnelles
Ouverture sur l’enjeu de l'exploitation de la donnée dans un contexte concurrentiel et d’amélioration continue
Appréhender l’organisation et l’infrastructure pour les services et pour les projets de data science

Public concerné
Directeurs/responsables des SI, responsables de projets en lien avec l’analyse de données, responsables d’études statistiques.

Prérequis
Aucune connaissance particulière.

Méthodes et moyens pédagogiques
Travaux pratiques
Mise en pratique guidée des fondamentaux au travers d’exercices. QCM et tableaux de synthèse permettent à chacun de se positionner.
Méthodes pédagogiques
Pendant ce cours de synthèse, le formateur effectue des démonstrations que chaque participant reproduit pour une mise en œuvre des principaux concepts.

Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Programme de la formation

Qu’est-ce que la data science ?

  • Les fondamentaux : big data, data lake, data mining, intelligence artificielle, machine et deep learning, text mining.
  • Les nouveaux défis : l'émergence et la multiplication de nouvelles sources de données.
  • Hétérogénéité des données, flux temps réel et explosion des volumes de données, à prendre en compte.
  • L’écosystème technologique du big data.
  • Démystifier le monde de la data science : analyse descriptive, prédictive et prescriptive.
  • Le métier, les outils et les méthodes du data scientist.
  • Introduction au machine learning, à l’analyse supervisée et à l’analyse non supervisée.
  • Notions de sur et sous-apprentissage.
Démonstration
Cas d’usage de la data science dans une chaîne de valeur métier (comportement client, offre produit, etc.).

Les méthodes et les modèles de la data science

  • Collecte, préparation et exploration des données.
  • L’importance de la démarche de la qualité des données (nettoyer, transformer, enrichir).
  • Définition des métriques.
  • Les méthodes statistiques de base.
  • Les principales classes d’algorithmes supervisés : arbres de décision, K plus proches voisins, régression, Naive Bayes.
  • Les principales classes d’algorithmes non supervisés : clustering, ACP, CAH, réseaux de neurones.
  • Le text mining et les autres familles d’algorithmes.
Echanges
Analyses simples avec R ou Python pour illustrer les techniques de l’analyse supervisée (régression et classification) et non supervisée (clustering, segmentation et détection d'anomalies).

Représentation graphique et restitution des données

  • Les langages de l’analyse statistique R et Python.
  • Leurs environnements de développement (R-Studio, Anaconda, PyCharm) et leurs librairies (Pandas, machine learning).
  • Les outils de DataViz (Power BI, Qlik, tableau, etc.).
  • Modélisation des données : représentation des processus, des flux, des contrôles et des conditions.
  • Modélisation des données : les outils (Orange, Power BI).
  • Communiquer les résultats par le data storytelling : organiser le visuel (diagrammes, classements, cartographies).
  • Communiquer les résultats par le data storytelling : restituer la signification des résultats.
Echanges
Exercices d’exploration graphique des données, analyse de la position et de l’étendue des données (nuages, histogrammes, etc.).

Modélisation d’un problème de data science

  • Récapitulatif de la démarche.
  • Analyse de deux cas métier, à titre d'exemple la relation client et la détection des fraudes, mais peuvent être autres.
  • Cas métier 1 : la relation client dans l’assurance.
  • Cibler les campagnes marketing. Comprendre les causes d’attrition client. Quels produits pour quels clients ?
  • Cas métier 2 : la détection des fraudes.
  • Comparer la recherche par statistiques classiques et data mining.
  • Détection par méthode supervisée. Détection par méthode non supervisée.
Etude de cas
Mise en application pratique de la méthode au storytelling sur des cas métier.


Solutions de financement
Plusieurs solutions existent pour financer votre formation et dépendent de votre situation professionnelle.
Découvrez-les sur notre page Comment financer sa formation ou contactez votre conseiller formation.

Avis clients
4,5 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
MICHAEL M.
19/11/24
5 / 5

La partie I sur les chiffres et les définitions mériterait d’être plus courte.
JOHAN P.
19/11/24
4 / 5

A MON AVIS:un peu trop de temps sur les exemplestrop d’exemples la 1ère journée pourrait être vu sur 1 journée et laisser plus de temps au contenu de la 2e journée
ALEXIS R.
12/11/24
5 / 5

Très bien. C’est une bonne première approche du sujet.Merci au formateur.



Horaires
les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 16h le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance
Dernières places
Session garantie