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
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

Le Pennec

Soumis par la-rivoal_49 le mar, 04/28/2015 - 11:51

Erwan
École polytechnique
Professeur associé au département de mathématiques appliquées
Découvrir sa bibliographie complète
Responsable pédagogique

Vazirgiannis

Soumis par la-rivoal_49 le mar, 04/28/2015 - 12:00

Michalis
Professeur au Laboratoire d'Informatique de l'École polytechnique (LIX)
Découvrir sa biographie complète