Certification DiGiTT - data - parcours data scientist - ML engineer - bootcamp

Rechercher une formation

Source : Carif Ile-de-France

Fiche originale

Partager sur :

Objectifs, programme, validation de la formation

Objectifs

Développer les connaissances théoriques indispensables au métier de Data Scientist et ML Engineer
Apprendre à analyser, visualiser et explorer ses données
Apprendre à mettre en production des projets Data
Être opérationnel en tant que Data Scientist

Description, programmation

Module 1 : Les fondamentaux

Kit de survie. Maitriser les outils indispensables : Github, Jupyter Notebook, PyCharm...
Python pour la Data Science. Manipulation des librairies python : Pandas, Matplotlib, NumPy, SciPy.
Les fondamentaux mathématiques. Développer les acquis théoriques fondamentaux en algèbre linéaire, statistiques et probabilités.

Module 2 : Data Analysis

Data analysis et Data Cleaning. Apprenez à utiliser Github, lancer des requêtes SQL, utiliser une API.
Data Visualization. Apprenez à utiliser les principales librairies de data viz comme Bokeh, Seaborn ou encore Plotly.
Data Exploration. Explorez vos données en python afin d’en extraire les principaux insights.

Module 3 : Data Engineering

Manipulation d’API. Apprendre à développer et manipuler vos propres API.
Mise en production d’un projet Data. Découvrir les notions de dockerisation, clusters kubernetes.
Cloud. Maitriser les solutions cloud d’Amazon AWS et Google Cloud. Apprendre à monitorer l’activité de vos serveurs.

Module 4 : Machine Learning

Apprentissage supervisé / Non Supervisé. Explorer ces différentes méthodes d’apprentissages grâce à la librairie Sickit-Learn :
SVM, kNN, PCA, Random Forest.
Généralisation des modèles. Apprendre à choisir les bonnes méthodes de régularisation.
Natural Language Processing. Développer les acquis techniques en gestion de données textes : NLTK, SpaCy...

Validation et sanction

Certification DiGiTT ;Attestation d’acquis ou de compétences ;Attestation de suivi de présence

Type de formation

Professionnalisation

Niveau de sortie sans niveau spécifique