← Retour aux formations
Intelligence Artificielle & Data
Data Science : fondamentaux, méthodes, modélisation et restitution des données
Fondamental
À propos de cette formation
Directeurs et responsables des systèmes d'information, responsables de projets liés à l'analyse de données et responsables d'études statistiques souhaitant acquérir une vision claire de la data science et développer leur capacité d'analyse.
Objectifs de la formation
- Connaître les principes de base de la data science et la démarche d'analyse
- Appréhender les applications et les limites de la data science pour résoudre des problèmes concrets
- Développer sa capacité d'analyse et d'interprétation des données par la représentation graphique
- Comprendre comment utiliser les outils de la data science et développer des modèles à des fins professionnelles
- Appréhender l'organisation et l'infrastructure nécessaires aux projets de data science
Programme détaillé
Module 1 — Qu'est-ce que la data science ?
- Les fondamentaux de l'écosystème data : Big Data, data lake, data mining, intelligence artificielle, Machine Learning, Deep Learning, text mining
- Les nouveaux défis : multiplication des sources et émergence de nouvelles données
- Hétérogénéité des données, flux temps réel et explosion des volumes
- L'écosystème technologique du Big Data
- Démystifier la data science : analyses descriptive, prédictive et prescriptive
- Le métier de data scientist : rôle, outils et méthodes
- Introduction au Machine Learning : analyse supervisée et non supervisée
- Notions de sur-apprentissage et sous-apprentissage
- Démonstration : cas d'usage de la data science dans une chaîne de valeur métier — comportement client, offre produit
Module 2 — Les méthodes et les modèles de la data science
- Collecte, préparation et exploration des données
- La qualité des données : nettoyer, transformer, enrichir
- Définition des métriques de performance
- Les méthodes statistiques de base
- Les principaux algorithmes supervisés : arbres de décision, K plus proches voisins (KNN), régression, Naive Bayes
- Les principaux algorithmes non supervisés : clustering, ACP, CAH, réseaux de neurones
- Le text mining et les autres familles d'algorithmes
- Exercices pratiques sous R ou Python : régression, classification, clustering, segmentation et détection d'anomalies
Module 3 — Représentation graphique et restitution des résultats
- Les langages de l'analyse statistique : R et Python
- Environnements de développement (R-Studio, Anaconda, PyCharm) et librairies (Pandas, machine learning)
- Outils de DataViz : Power BI, Qlik, Tableau
- Modélisation des données : représentation des processus, des flux, des contrôles et des conditions
- Outils de modélisation des données : Orange, Power BI
- Data storytelling : organiser le visuel — diagrammes, classements, cartographies
- Data storytelling : restituer et communiquer la signification des résultats
- Exercices d'exploration graphique : analyse de la position et de l'étendue des données — nuages de points, histogrammes
Module 4 — Modélisation d'un problème de data science
- Récapitulatif de la démarche data science
- Analyse de deux cas métier : relation client et détection des fraudes
- Cas métier 1 — relation client dans l'assurance : ciblage des campagnes marketing, compréhension de l'attrition client, adéquation produit/client
- Cas métier 2 — détection des fraudes : comparaison statistiques classiques / data mining, détection par méthode supervisée et non supervisée
- Étude de cas : application pratique de la méthode au data storytelling sur des cas métier réels
Prérequis
Aucun prérequis nécessaire.