Devenez Data Scientist (MIT)

À propos du cours

Machine Learning et Deep Learning avec Python:

Apprenez la science des données: avec l’analyse des données, la visualisation des données, le traitement des données, l’apprentissage automatique supervisé et non supervisé

Deviens Data Scientist

Devenir data scientist peut être une aventure passionnante ! Voici quelques étapes pour commencer :

Acquérir les bases en programmation : La plupart des data scientists utilisent des langages comme Python. Apprenez les bases de la programmation et familiarisez-vous avec les bibliothèques couramment utilisées pour l’analyse de données, comme Pandas, NumPy et SciPy pour Python.
Apprenez les mathématiques et les statistiques : La compréhension des concepts mathématiques et statistiques est cruciale en science des données. Assurez-vous de comprendre les bases de l’algèbre linéaire, du calcul différentiel et intégral, ainsi que des statistiques descriptives et inférentielles.
Maîtrisez les techniques d’apprentissage automatique et d’apprentissage profond : Explorez les différents algorithmes d’apprentissage automatique et d’apprentissage profond, tels que la régression, la classification, le clustering, les réseaux neuronaux, etc. TensorFlow et scikit-learn sont des bibliothèques populaires pour cela.
Pratiquez en travaillant sur des projets : Rien ne vaut l’expérience pratique. Trouvez des ensembles de données intéressants et travaillez sur des projets de bout en bout, de l’exploration des données à la modélisation et à l’interprétation des résultats.
Développez votre portefeuille et votre réseau : Créez un portfolio en ligne pour présenter vos projets et compétences. Participez à des compétitions de science des données comme celles sur Kaggle pour vous mesurer à d’autres professionnels et apprendre de nouvelles techniques. Réseautez en ligne et hors ligne pour rencontrer d’autres professionnels de la science des données.
Éducation continue : La science des données évolue rapidement. Restez à jour avec les dernières avancées en suivant des cours en ligne, en lisant des articles et en participant à des conférences et des ateliers.

En suivant ces étapes et en restant persévérant, vous pourrez réaliser votre objectif de devenir data scientist !

Afficher plus

Contenu du cours

Les fondements de la DataScience
Dans cette section nous allons introduire le fondement de l'IA: Fondations Python - Bibliothèques : Pandas, NumPy, gestion des tableaux et des matrices, Visualisation, analyse exploratoire des données (EDA) Fondements statistiques : statistiques de base/descriptives, distributions (binomiales, Poisson, etc.), Bayes, Statistiques inférentielles

Fondement de l’IA

03:22
Présentation du projet à developper avec l’IA
L’essentiel de Python
L’essentiel de la statistique

Analyse et visualisation des données
- Analyse exploratoire des données, visualisation (PCA et t-SNE) pour la visualisation et la correction des lots - Introduction à l'apprentissage non supervisé : le clustering comprend - Hiérarchique, K-Means, DBSCAN, Mélange gaussien -Réseaux : exemples (données sous forme de réseau par rapport à réseau pour représenter la dépendance entre les variables), déterminer les nœuds et les bords importants d'un réseau, le regroupement dans un réseau

Machine Learning
Introduction à l'apprentissage supervisé -La Régression

Science des données pratique
- Decision Trees - Random Forest - Time Series

Deep Learning
- Introduction aux Neural Networks - Convolutional Neural Networks - Transformers

Recommendation Systems
- Introduction aux Recommendation Systems - Matrix - Tensor, NN pour Recommendation Systems

Développement du projet CNN-Transfer Learning
Dans cette section, l'apprenant doit maitriser les bases de la technologie de Transfer Learning afin de créer un système de classification des maladies cardio-vasculaires

Notes et avis de l’apprenant

Encore aucun avis !

Devenez Data Scientist (MIT)

À propos du cours

Qu’allez-vous apprendre ?

Contenu du cours

Fondement de l’IA

Présentation du projet à developper avec l’IA

L’essentiel de Python

L’essentiel de la statistique

Analyse exploratoire des données, visualisation (PCA et t-SNE) pour la visualisation et la correction des lots

Introduction à l’apprentissage non supervisé

Machine Learning
Introduction à l'apprentissage supervisé -La Régression

Introduction à l’apprentissage supervisé -La Régression

Évaluation du modèle avec la validation croisée et bootstrapping

Introduction à l’apprentissage supervisé: La classification

Science des données pratique
- Decision Trees - Random Forest - Time Series

Decision Trees

Random Forest

Time Series (Introduction)

Deep Learning
- Introduction aux Neural Networks - Convolutional Neural Networks - Transformers

Introduction aux Neural Networks

Convolutional Neural Networks

Transformers

Recommendation Systems
- Introduction aux Recommendation Systems - Matrix - Tensor, NN pour Recommendation Systems

Intro to Recommendation Systems

Matrix

Tensor, NN for Recommendation Systems

Développement du projet CNN-Transfer Learning
Dans cette section, l'apprenant doit maitriser les bases de la technologie de Transfer Learning afin de créer un système de classification des maladies cardio-vasculaires

À propos du cours

Qu’allez-vous apprendre ?

Contenu du cours

Fondement de l’IA

Présentation du projet à developper avec l’IA

L’essentiel de Python

L’essentiel de la statistique

Analyse exploratoire des données, visualisation (PCA et t-SNE) pour la visualisation et la correction des lots

Introduction à l’apprentissage non supervisé

Machine Learning Introduction à l'apprentissage supervisé -La Régression

Introduction à l’apprentissage supervisé -La Régression

Évaluation du modèle avec la validation croisée et bootstrapping

Introduction à l’apprentissage supervisé: La classification

Science des données pratique - Decision Trees - Random Forest - Time Series

Decision Trees

Random Forest

Time Series (Introduction)

Deep Learning - Introduction aux Neural Networks - Convolutional Neural Networks - Transformers

Introduction aux Neural Networks

Convolutional Neural Networks

Transformers

Recommendation Systems - Introduction aux Recommendation Systems - Matrix - Tensor, NN pour Recommendation Systems

Intro to Recommendation Systems

Matrix

Tensor, NN for Recommendation Systems

Développement du projet CNN-Transfer Learning Dans cette section, l'apprenant doit maitriser les bases de la technologie de Transfer Learning afin de créer un système de classification des maladies cardio-vasculaires

Notes et avis de l’apprenant

Machine Learning
Introduction à l'apprentissage supervisé -La Régression

Science des données pratique
- Decision Trees - Random Forest - Time Series

Deep Learning
- Introduction aux Neural Networks - Convolutional Neural Networks - Transformers

Recommendation Systems
- Introduction aux Recommendation Systems - Matrix - Tensor, NN pour Recommendation Systems

Développement du projet CNN-Transfer Learning
Dans cette section, l'apprenant doit maitriser les bases de la technologie de Transfer Learning afin de créer un système de classification des maladies cardio-vasculaires