Data Science Starter Program (Formation Big Data)
Découvrez notre formation continue en sciences des données.
Avec l’explosion et la profusion des données disponibles dans un grand nombre de domaines, les nouvelles techniques de collecte et d’analyse vont affecter de façon profonde l’ensemble des secteurs de la vie économique, mais aussi certains secteurs de la recherche.
La formation offre une introduction aux meilleurs outils méthodologiques pour appréhender et exploiter les données et notamment les données massives (Big Data).
Une immersion dans l’univers de la donnée à travers un parcours intensif portant sur les fondamentaux en sciences des données.
Attention nombre de places limitées
- Dates :DSSP 11 : du 18 janvier au 6 avril 2019
- Durée :20 jours (140 heures)
- Pour qui :Profil technique ayant une expérience de programmation ou statistique
- Lieu :Ecole Polytechnique Executive Education
- Langue :Français et Anglais
- Certification :Conduire un projet de sciences de données (CNCP 1527)
- Code :DSSP
Objectifs
- Comprendre et s’approprier les Data Sciences
- Appréhender les enjeux du Big Data
- Identifier et assimiler les outils et techniques pour résoudre des problèmes complexes d’analyse des données
- Découvrir comment les appliquer à ses missions professionnelles
- Assimiler les clés de compréhension pour interagir avec les spécialistes dans un cadre professionnel ou académique
Programme
Introduction à la science des données :
- L'écosystème,
- Le cycle de vie d’un projet de données,
- La gestion de projet,
- L'architecture informatique,
- L'introduction au calcul distribué,
- Les questions de confidentialité
Prétraitement des données et visualisation :
- Le nettoyage de données
- La normalisation
- La sélection et création des variables
- La réduction de dimensions
- L'exploration de données
- La visualisation avec R et Python
- La visualisation par navigateur, data mashup, data mungin
- La conception et ingénierie des variables
Analyse des données et apprentissage automatique :
- L'introduction à l’apprentissage
- L'apprentissage non supervisé
-
L'apprentissage supervisé
- régression et sélection des variables
- régression logistique
- classification naïve bayésienne
- algorithme des k-voisins les plus proches (KNN)
- machines à vecteurs de support (SVM)
- arbres de décision
- L'évaluation des modèles
- Le surapprentissage
- La sélection de modèles
- Les méthodes d’ensemble
Apprentissage automatique pour les données non-traditionnelles :
- Le filtrage collaboratif
-
Les fouilles du Web, de graphes et de textes
- Web
- graph
- text mining recommandation
- La personnalisation
- La publicité sur le web et marketing
Deep Learning :
- Concepts de base
- Réseaux convolutionnels
- Réseaux récurrents
- Application à la classification de documents
Bases de données et outils big data :
- SQL et NoSQL
- Calcul distribué
- Cloud computing
- Map Reduce et Hadoop
- HIVE
- Spark
Ateliers Données :
Visualisation des données
Exploration et sélection/ingénierie des variables
Application des méthodes d’apprentissage automatique
Sélection de modèles et méthodes d’ensemble
La pédagogie :
- des cours
- des études de cas pratiques
- des manipulations quotidiennes
- des témoignages d’industriels ou de chercheurs
- des partages d'expériences
- un travail personnel sous forme de projet
Chaque participant est également invité à apporter son propre projet, afin d’en explorer le potentiel. Cela permettra à chaque participant de bénéficier de conseils personnalisés et de bâtir une stratégie qui correspond à ses propres besoins
Intervenants
- Responsable pédagogique
- Responsable pédagogique
Soumis par la-rivoal_49 le mar, 04/28/2015 - 12:00
MichalisProfesseur au Laboratoire d'Informatique de l'École polytechnique (LIX)
