Data-scientist

"Pourquoi recruter quand on peut former nos ingénieurs BI en interne ? "

The sexiest job of the 21th century !
(Harvard Business Review)
get the job !

Deviens Data Ninja en 9 sessions !

Multiplie l'impact de tes produits grâce à tes datas

Programme

  • Comprendre l’apprentissage automatique
  • Savoir traduire un problème métier en problème de machine learning
  • Connaître les algorithmes du machine learning
  • Visualiser les résultats d’une analyse de données
  • Comprendre les limites des algorithmes et les dépasser
  • Savoir résoudre un problème métier avec la data-science
  • Découvrir le Big Data, Map reduce et son écosystème Hadoop
  • Connaître les solutions de traitement des données massives
  • Dépasser la BI, le reporting classique et l’analyse manuelle

Chaque session comporte un exercice sur données réelles

BYOD

  1. tu prends ton ordi
  2. tu installes le langage Python (2.7) et toutes ses librairies

Horaires

Sur mesure

Lieu

Focus Digital Smart Work Center La Défense
59 rue de Strasbourg, 92400 Courbevoie
01 85 09 03 44

Pour la formule Intra entreprise, dans les locaux de l'entreprise.

Public concerné

Développeurs, Chef de projets, Analyst BI, Chargé d’études.

Plan de formation

1 - Introduction au machine learning

Principes de base - découverte éco-système Python - Préparation et data cleaning

2 - Données non structurées : prédire les textes et réseaux sociaux

Traitement des documents textes– classification de textes

3 - Classification par catégories : ranger par étiquettes

Principe - Arbre de décision – Exemple de classification

4 - Régression : détection de tendances et prévisions

Principe – Construction – Interprétation – Dépasser les limites

5 - Outlier & novelty detection h4détecter les fraudes et points aberrants

Principes de base – Utilisation

6 - Introduction au Big Data : données massives, comment h4ire ?

« How big is Big Data ? » - Map reduce – Librairies Python

7 - Clustering : regroupement automatique par familles naturelles

Principes de base – Partitionnement hierarchique – K mean – Heuristiques

8 - Détection de schémas fréquents dans des données brutes

Extraction de règles d’association dans des transactions (tickets, log...)

9 - Moteur de recommandation

Aide à la vente

Pré-requis

Niveau maths - stat : lycée

Formateur

Franck Bardol

Franck Bardol, MSc Artificial intelligence, MSc Finance

  • Expérience approfondie dans la construction de systèmes intelligents
  • Expert dans l’automatisation de business couvrant 700 millions $
  • Fondateur du 1er groupe de data-scientist en Europe (3500 membres)