Programme de formation Python avec Scikit-learn et TensorFlow

Voici une liste complète des notions que vous allez apprendre dans ce cour, organisée en fonction des compétences et des thématiques couvertes :

1.  Configuration et installation des outils

• Installation de Python (via le site officiel ou Anaconda).
  • Configuration d’un IDE (VS Code, Jupyter Notebook).
  • Installation de bibliothèques essentielles avec pip et conda.
  • Création et gestion d’environnements virtuels.

2.  Bases de Python (Programmation générale)

• Variables, types de données (int, float, string, list, tuple, dict).
  • Opérations de base (arithmétiques, logiques, comparaisons).
  • Structures de contrôle : conditions (if, elif, else), boucles (for, while).
  • Fonctions : définition, paramètres, retour de valeurs.
  • Programmation orientée objet : classes, objets, héritage.
  • Manipulation de fichiers (lecture, écriture, suppression).
  • Gestion des exceptions.
  • Modules et packages standards (os, sys, math, random, etc.).

3.  Bibliothèques pour l’analyse de données

NumPy

• Création et manipulation de tableaux multidimensionnels (ndarray).
  • Opérations mathématiques sur les tableaux.
  • Indexation et slicing.

Pandas

• Importation/exportation de données (CSV, Excel).
  • Nettoyage et préparation des données.

Matplotlib & Seaborn

• Création de graphiques simples : histogrammes, scatter plots, bar plots.
  • Personnalisation des graphiques (titres, axes, légendes).

4.  Machine Learning avec Scikit-learn

• Concepts de base : régression, classification
  • Prétraitement des données : normalisation, standardisation.
  • Modèles supervisés :
    • Régression linéaire et logistique.
    • SVM (Support Vector Machine).
    • Arbres de décision, forêts aléatoires.
  • Évaluation des modèles : métriques, validation croisée.

5.  Deep Learning avec TensorFlow

• Concepts de base du deep learning.
  • Création et entraînement d’un modèle TensorFlow simple.
  • Introduction aux réseaux de neurones artificiels :
  • Utilisation de Keras :
    • Construction d’un modèle avec l’API séquentielle.
    • Entraînement, validation et évaluation d’un modèle.
  • Cas pratiques : classification d’images ou prédiction à partir de séries temporelles.

6.  Projets pratiques et études de cas

• Classification d’images  avec TensorFlow.
  • Prédiction du nombre de passage dans un airport  à l’aide de Scikit-learn.
    
    
    formation donnée par Constant