Brève description / annotation

Python, ses origines et son environnement. Histoire, origines et évolution : de la naissance à la version 3.12. Python vs R vs le reste du monde. Comment développer en Python ? Les outils pour coder en Python. Les packages pour la data science. Python from scratch. Principes de base. Les interpréteurs : Python et IPython. La base pour commencer à coder. Les structures (tuples, listes, dictionnaires). La programmation (conditions, boucles...). Les fonctions. Les classes et les objets. Les packages et les modules. Aller plus loin. Python et les données (NumPy et Pandas). La donnée à l'ère de la data science. Les arrays de NumPy. Les objets series et dataframe de Pandas. La préparation des données et les premières statistiques. Présentation des données. Les outils pour charger les données. Décrire et transformer des colonnes. Extraire des statistiques descriptives. Utilisation du groupby pour décrire des données. Aller plus loin : accélération. Data visualisation avec Python. Construction de graphiques avec Matplotlib. Seaborn pour des représentations plus élaborées. Quelques bases de cartographie. Les graphiques interactifs avec d'autres packages et outils. Différentes utilisations du machine learning avec Python. Le machine learning, qu'est-ce que c'est ? Comment faire du machine learning avec Python. Le processus de traitement en machine learning. L'apprentissage supervisé avec Scikit-Learn. L'apprentissage non supervisé. L'analyse textuelle avec Python. Le deep learning. Python, et le big dta : tour d'horizon. Est-ce qu'on change tout quand on parle de big data ? Comment traiter de la donnée massive avec Python. Récupérer des données avec Python. Utilisation d'Apache Spark avec PySpark en Python.

Détails