1

Fondamentaux de Python

• Programmation : types de variables, listes, tuples, boucles, fonctions, classes et modules.
• NumPy : NumPy Array, opérations matricielles, indicateur statistique et opérations.
• Pandas : introduction à la bibliothèque, chargement d'un jeu de données, Data Cleaning, Data Processing.

2

Data Visualisation

• Matplotlib : types de graphes, personnalisation de graphiques.
• Plotly : graphiques interactifs et intégrables web, Widgets.
• Seaborn : analyse de distribution, analyses statistiques, analyse multivariée.

3

Outils de programmation

• Git : gestion de version Git, dépôt Git, branches, tag et merge.
• GitHub : plateforme Github, Fork, Pull Request, Issues, partage des modifications, Github Actions.
• Tests unitaires : Pytest, tests d'intégration et fonctions, avantages des tests.
• Système Linux et Script Bash : présentation des systèmes Linux, prise en main du terminal, scripts Bash.

4

Machine Learning

• Modèles et algorithmes de classification : Scikit-learn, logistic regression, KNN, SVM, bagging et boosting.
• Méthodes de clustering : modèles de classification non supervisée, métrique d'évaluation pour le clustering.
• Méthodes de régression : régression linéaire simple et multiple, linéaire régularisée.

5

Machine Learning Avancé

• Séries temporelles avec Statsmodels : modèles ARIMA et SARIMA.
• Détection d’anomalies : problématiques de détection d'anomalies, modèles supervisés, Robust Covariance, DBScan.
• Méthode de réduction de dimensions : feature selection process, analyses de composantes, approche Manifold Learning.

6

Machine Learning Appliqué

• Text mining : expressions régulières, données textuelles, WordCloud, analyse de sentiments.
• Webscraping : langage web, BeautifulSoup, scraping sur Google.
• Éthique & Interprétabilité : données sensibles, enjeux éthiques, analyse de biais, interprétabilité des modèles.

7

Modèles complexes

• Systèmes de recommandations : introduction au système, méthodes content-based, mathématiques de recommandation.
• Reinforcement Learning : méthode de Monte-Carlo, temporal Difference Learning, SARSA et Q-Learning.
• Théorie des graphes : algorithmes Krustal et Dijkstra, détection de communautés, algorithme PageRank, NetworkX.

8

Fondamentaux Deep Learning

• Réseaux denses : réseaux de neurones, framework Keras, optimisation d'un réseau dense.
• Réseaux de convolution : analyse d'image par convolution, LeNet, transfer learning.
• TensorFlow : optimisation avec TensorFlow, callbacks et modèles personnalisés, TensorBoard.

9

Data Engineering

• SQL : requête base de données avec SQL, types de jointures, requêtes imbriquées.
• PySpark : calcul distribué avec PySpark, API RDD et DataFrame de Spark, pipeline de processing, MLLib.
• API : Introduction aux API, méthodes HTTP et fonctions.

10

MLOps

• MLFow : cycle de vie d'un projet Machine Learning, Model training, MLflow.
• Docker : présentation de la conteneurisation, fonctionnement de Docker, images et conteneurs, Dockerfile et Docker Hub.