Data science et machine learning

Objectifs

Acquérir une compréhension fondamentale du cycle de vie de la science des données, maîtriser la programmation en Python et saisir les notions essentielles de SQL pour la manipulation des données. Maîtriser les techniques de nettoyage et de structuration des données, réaliser une analyse exploratoire des données (EDA) instructive pour comprendre les ensembles de données, et reconnaître les implications éthiques et les considérations liées à la manipulation des données. Développer une compréhension solide des probabilités et des statistiques, acquérir des compétences en matière de tests d'hypothèses, et poser les bases des principes de l'apprentissage automatique, y compris les concepts de base et l'ingénierie des caractéristiques. Comprendre et mettre en oeuvre les techniques centrales d'apprentissage supervisé et non supervisé, saisir les subtilités de l'évaluation des modèles et du réglage des hyperparamètres, et acquérir des connaissances préliminaires en analyse de séries temporelles. Synthétiser et appliquer les connaissances acquises dans les modules précédents dans un scénario de science des données du monde réel, favorisant une approche pratique et une mentalité orientée vers la résolution de problèmes. Acquérir une compréhension complète des principes de l'apprentissage profond, des réseaux neuronaux et des architectures avancées. Apprendre à construire, former et évaluer des modèles d'apprentissage profond pour diverses tâches. Approfondir les domaines spécialisés de la science des données, acquérir une expertise soit dans le traitement du langage naturel, soit dans la vision par ordinateur, et comprendre les techniques avancées et les applications associées à la piste choisie. Piste de vision par ordinateur. Comprendre les subtilités du traitement d'image, de l'extraction de caractéristiques et des applications d'apprentissage profond dans le domaine visuel. Piste NLP. Plonger dans le monde du traitement du langage humain, maîtriser les techniques de prétraitement du texte, l'analyse des sentiments et les tâches avancées de traitement du langage naturel à l'aide de l'apprentissage profond. Développer une compréhension claire des paradigmes et des pratiques de l'informatique en nuage, maîtriser l'art du déploiement de solutions d'apprentissage automatique, et adopter les pratiques MLOps pour assurer une gestion, une surveillance et une automatisation fluides des modèles.

Programme de la formation

PREWORK - Préparez-vous pour le bootcamp et démarrez en trombe avec une formation essentielle. Peu importe vos connaissances techniques antérieures (ou leur absence), ce module garantira que chaque Ironhacker soit prêt pour le succès. Commencez la préparation dès quatre semaines avant le bootcamp. - Python : familiarisez-vous avec ce langage de programmation facile à apprendre, couramment utilisé pour travailler avec des données. - Statistiques descriptives : apprenez à résumer et détailler les caractéristiques des données. - Statistiques inférentielles : faites des suppositions éclairées sur de grands groupes à partir d'échantillons réduits. - Probabilité : découvrez comment prédire les probabilités. - Fondements mathématiques : abordez les notions essentielles du calcul, de l'algèbre linéaire et de la géométrie analytique pour résoudre des modèles et des défis complexes. MODULE 1 - Fondements de la science des données : Python et essentiels de la manipulation des données Commencez solidement à comprendre : - Science des données : déverrouillez les prédictions futures à partir de montagnes de données. - SQL : maîtrisez l'art de nettoyer et de gérer les données avec facilité. - Analyse exploratoire des données : plongez en profondeur pour découvrir des motifs et des insights intéressants. - Méthodes statistiques : aiguisez vos compétences pour décoder ce que les données disent vraiment. - Python : montez en niveau depuis la préparation jusqu'à la maîtrise pratique des fonctionnalités de Python. MODULE 2 - Fondements et applications de l'apprentissage automatique Apprenez à créer vos propres modèles d'IA ! Plongez dans les fondamentaux de l'apprentissage automatique comme : - Probabilité et statistiques : renforcez vos connaissances préalables. - Apprentissage supervisé : apprenez aux ordinateurs avec des exemples clairs. - Apprentissage non supervisé : laissez les ordinateurs découvrir des motifs par eux-mêmes. - Réseaux neuronaux : une technologie semblable au cerveau pour une reconnaissance intelligente des motifs (bonjour, déverrouillage facial !). - Apprentissage profond : Réseaux neuronaux de niveau supérieur (pensez à Siri intelligent). MODULE 3 - Apprentissage automatique avancé et pistes spécialisées Familiarisez-vous avec des domaines spécialisés de la science des données : - Vision par ordinateur : guidez les ordinateurs pour reconnaître et comprendre les images. - Traitement du langage naturel : permettez aux ordinateurs de comprendre et d'utiliser le langage humain. - MLOps : gérez les projets d'IA de manière fluide et efficace, en exploitant de grandes plates-formes cloud telles que Google Cloud ou Amazon Web Services pour stocker et gérer les données sur Internet.

Validation et sanction

Attestation de formation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique