- Description
- Curriculum
- FAQ
- Examens
Il s’agit du cours en ligne le plus complet pour apprendre Python, la Data Science (science des données) et le Machine Learning (apprentissage automatique). Rejoignez-nous dès maintenant pour apprendre et maîtriser ces sujets !
Que contient ce cours ?
Bienvenue dans le cours le plus complet pour apprendre en ligne la Data Science et le Machine Learning ! Cette MasterClass a été conçue pour mettre en place ce qui semble être la meilleure façon de passer de zéro à héros pour la Data Science et le Machine Learning avec Python !
Ce cours est conçu pour une personne qui connaît déjà un peu le langage Python et qui est prêt à s’immerger en profondeur dans l’utilisation de ces compétences Python pour la Data Science et le Machine Learning. Le salaire de départ typique d’un data scientist peut dépasser aisément les 100 000 euros annuel, et nous avons créé ce cours pour aider à guider les apprenants vers l’apprentissage d’un ensemble de compétences qui les rendront extrêmement intéressants (et attractifs !) dans le monde du travail actuel.
Nous couvrirons tout ce que vous devez savoir sur la stack tech (compétences techniques) complète de Data Science et Machine Learning requise dans les meilleures entreprises du monde. Nos étudiants ont obtenu des emplois chez McKinsey, Facebook, Amazon, Google, Apple, Asana et d’autres grandes entreprises technologiques !
Nous avons structuré le cours en nous appuyant sur notre expérience de l’enseignement en ligne (et en présentiel) afin de proposer une approche claire et structurée. Cela vous guidera pour comprendre non seulement comment utiliser les bibliothèques populaires de Data Science et Machine Learning, mais aussi pourquoi et quand nous les utilisons.
Ce cours est un équilibre parfait entre les études de cas pratiques issues du monde réel et la théorie mathématique qui se cache derrière les algorithmes de Machine Learning = 50% Théorique (concepts et mathématiques) – 50% pratique (implémentation code Python)
Nous couvrirons des algorithmes de Machine Learning avancés que la plupart des autres cours ne couvrent pas ! Y compris les méthodes de régularisation avancées et les méthodes d’apprentissage non supervisé les plus récentes, telles que le DBSCAN.
Ce cours complet est conçu pour être à la hauteur des Bootcamps qui coûtent généralement des milliers d’euros. Il comprendra les sujets suivants :
-
La programmation avec Python
-
NumPy avec Python
-
Apprentissage complet de Pandas pour l’analyse de données
-
Compréhension complète de la bibliothèque de programmation Matplotlib
-
Apprentissage en profondeur de Seaborn pour les visualisations de données
-
Machine Learning avec Scikit-Learn
Nous sommes extrêmement reconnaissants de la chance que nous avons d’avoir la chance de pouvoir vous enseigner des sujets qui nous passionnent comme la Data Science et le Machine Learning !
-Rod, Jose et l’équipe Pierian Data Inc.
-
1Message de bienvenue !
-
2Programme du cours
-
3Notice de téléchargement du contenu de la MasterClass (Code Python + Datasets)
-
4Google Colab
-
5Accès + Téléchargement + Utilisation de l'ensemble des ressources du cours
-
6Travail en local avec la distribution Anaconda + Jupyter Notebook
-
7Mise en place de l'environnement en local sur Conda + Jupyter Notebook / Spyder
-
8FAQ
-
24Introduction à la bibliothèque Pandas
-
25Series - Partie 1
-
26Series - Partie 2
-
27DataFrames - Partie 1
-
28DataFrames - Partie 2
-
29DataFrames - Partie 3
-
30DataFrames - Partie 4
-
31Pandas - Filtrage conditionnel
-
32Pandas - Méthodes utiles - Apply sur une seule colonne
-
33Pandas - Méthodes utiles - Apply sur des colonnes multiples
-
34Pandas - Méthodes utiles - Informations statistiques et triage de données
-
35Données manquantes - Vue d'ensemble
-
36Données manquantes - Opérations Pandas
-
37Opérations GroupBy - Partie 1
-
38Opérations GroupBy - Partie 2 - MultiIndex
-
39Combinaison de DataFrames - Concaténation
-
40Combinaison de DataFrames - Fusion interne
-
41Combinaison de DataFrames - Fusion gauche et droite
-
42Combinaison de DataFrames - Fusion externe
-
43Combinaison de DataFrames - Fusion sur un index et des noms de clé différents
-
44Pandas - Méthodes Text pour données textuelles
-
45Pandas - Méthodes Time pour des données temporelles
-
46Pandas Input et Output - Fichiers CSV
-
47Pandas Input et Output - Tableaux HTML
-
48Pandas Input et Output - Fichiers Excel
-
49Pandas Input et Output - Bases de données SQL
-
50Pandas - Pivot Tables
-
51Projet Pandas - Présentation
-
52Solutions - Projet Pandas
-
53Introduction à la bibliothèque de traçage Matplotlib
-
54Les bases de Matplotlib
-
55Matplotlib - Compréhension de l'objet Figure
-
56Matplotlib - Implémenter des objets Figure et Axes
-
57Matplotlib - Paramètres d'une Figure
-
58Matplotlib - Fonctionnalités des sous-parcelles (subplots)
-
59Style Matplotlib - Légendes
-
60Style Matplotlib - Couleurs et Styles
-
61Commandes avancées de Matplotlib (Facultatif)
-
62Aperçu des exercices Matplotlib
-
63Solutions Matplotlib
-
64Introduction à la bibliothèque Seaborn
-
65Diagrammes de Dispersion - Scatter Plots
-
66Diagrammes de Distribution - Partie 1 - Les différents types de diagrammes
-
67Diagrammes de Distribution - Partie 2 - Coder avec Seaborn
-
68Diagrammes Catégoriels - Statistique au sein des catégories - Compréhension
-
69Diagrammes Catégoriels - Statistique au sein des catégories - Code Seaborn
-
70Diagrammes Catégoriels - Distribution au sein de catégories - Compréhension
-
71Diagrammes Catégoriels - Distribution au sein de catégories - Code Seaborn
-
72Diagrammes de Comparaison - Compréhension de ce type de diagramme
-
73Diagrammes de Comparaison - Tracer avec Seaborn
-
74Seaborn Grids - Grilles de diagrammes
-
75Diagrammes Matriciels - Matrix Plots
-
76Aperçu des Exercices Seaborn
-
77Solutions Seaborn