Data Science Et Machine Learning En Python

Apprenez comment utiliser NumPy, Pandas, Seaborn , Matplotlib , Plotly , Scikit-Learn et Machine Learning

What you'll learn
Utilisez Python pour la science des données et l’apprentissage automatique
Apprendre à utiliser NumPy pour les données numériques
Apprendre à utiliser Pandas pour l’analyse des données
Apprendre à utiliser Matplotlib pour la visualisation des données
Apprendre à utiliser Seaborn pour les graphiques statistiques
Apprentissage supervisé et non supervisé
Mettre en œuvre des algorithmes d’apprentissage automatique (Machine learning)
Utiliser SciKit-Learn pour les tâches d’apprentissage automatique
Régression linéaire
Régression logistique
K Voisins les plus proches
Arbres de décision
Arbres de forêts aléatoires
K-Mean clustering
Analyse en composantes principales
Requirements
Une certaine expérience en programmation Python. Mais ne vous inquiétez pas, ce cours vous propose aussi une formation complète en Python.
Description
Êtes-vous prêt à commencer votre parcours pour devenir un data scientist ?Cette formation, la plus complète en langue française, vous permettra d’utiliser la puissance du langage Python pour analyser les données, créer de belles visualisations et utiliser de puissants algorithmes de machine learning (apprentissage automatique) !Cette formation est conçue pour les débutants ayant une certaine expérience en programmation ainsi que les développeurs expérimentés qui cherchent à faire le saut vers les sciences de données !Avec plus de 100 sessions de vidéo HD et des notebooks de code détaillés pour chaque section, cette formation est l’une des formations les plus complètes en science de données et l’apprentissage automatique sur Udemy!A la fin de la formation vous saurez comment programmer avec Python, comment analyser les données, comment créer des visualisations de données, et comment faire créer et entrainer des modèles de machine learning à l’aide de python. Voici quelques-uns des sujets que vous allez apprendre :Programmation avec PythonNumPy avec PythonUtilisation de Pandas pour résoudre des tâches complexesUtilisation de Pandas pour gérer les fichiers CSV et ExcelUtilisation de matplotlib et seaborn pour la visualisation des donnéesApprentissage automatique avec SciKit Learn, y compris :Régression linéaireRégression logistiqueK Voisins les plus prochesArbres de décisionForêts aléatoiresK-Mean clusteringAnalyse en composantes principaleset bien plus encore !Inscrivez-vous au cours et commencez à apprendre la data Science dès aujourd’hui !

Overview

Section 1: Introduction au cours

Lecture 1 Introduction

Lecture 2 Bienvenue et quelques précisions

Lecture 3 Ressources

Section 2: Installation de l'environnement de développement

Lecture 4 Installation d'Anaconda - Mac OS

Lecture 5 Installation d'Anaconda - Windows

Lecture 6 Prise en main du noteBook Jupyter

Section 3: La bibliothèque Numpy

Lecture 7 Bienvenue à la section Numpy

Lecture 8 Introduction

Lecture 9 Création de vecteurs à partir de liste Python

Lecture 10 Création de matrices

Lecture 11 Création de tableaux de trois dimensions

Lecture 12 La fonction arange()

Lecture 13 Attributs principaux d'un objet array

Lecture 14 La méthode reshape()

Lecture 15 La méthode resize()

Lecture 16 Concaténation de deux tableaux

Lecture 17 Construction automatique de tableaux Numpy

Lecture 18 La fonction linspace()

Lecture 19 Création de tableaux aléatoires

Lecture 20 Méthodes de calcul sur les tableaux Numpy

Lecture 21 Indexation des tableaux Numpy - Partie 1

Lecture 22 Indexation des tableaux bidimensionnels

Lecture 23 Tableaux et opérateurs de comparaison

Lecture 24 Modifications des tableaux Numpy selon des conditions

Lecture 25 Binariser une matrice

Lecture 26 Opérations sur les tableaux unidimensionnels

Lecture 27 Opérations sur les matrices

Lecture 28 EXERCICES Numpy

Lecture 29 Corrigé des exercices Numpy - Parti 1 -

Lecture 30 Corrigé des exercices Numpy - Parti 2 -

Lecture 31 CONCLUSION

Section 4: La bibliothèque Pandas

Lecture 32 Bienvenue à la section Pandas

Lecture 33 Introduction

Lecture 34 Les séries en Pandas

Lecture 35 Série Pandas comme dictionnaire

Lecture 36 Modification d'une série pandas

Lecture 37 Construction de Dataframes

Lecture 38 Créer un Dataframe à partir de plusieurs séries pandas

Lecture 39 Créer un Dataframe à partir d'une matrice Numpy

Lecture 40 Modifier un dataframe

Lecture 41 Sélectionner les données d'un Dataframe

Lecture 42 Sélectionner par tranche les données d'un Dataframe

Lecture 43 Sélection conditionnelle des données d'un Dataframe

Lecture 44 Sélection des données d'un Dataframe selon plusieurs conditions

Lecture 45 Réinitialisation et modification des indices dans un Dataframe

Lecture 46 Multindex

Lecture 47 Acceder à un dataframe multiindexé

Lecture 48 Création et accès aux données d'un dataframe multiindexé - Partie 2

Lecture 49 Combinaison de dataframes

Lecture 50 Groupement des données

Lecture 51 Tableaux croisés dynamiques

Lecture 52 Quelques opération en Pandas

Lecture 53 Traitement des données manquantes

Lecture 54 EXERCICE 1: exploration des données des pays dans le monde

Lecture 55 CORRIGÉ DE L'EXERCICE 1

Lecture 56 EXERCICE 2

Lecture 57 CORRIGÉ DE L'EXERCICE 2

Section 5: La bibliothèque Matplotlib

Lecture 58 Bienvenue à la section Matplotlib

Lecture 59 Introduction

Lecture 60 Représentations graphiques avec Matplotlib

Lecture 61 Représentation graphique de type courbe

Lecture 62 Axes et titre d'une représentation graphique

Lecture 63 Réglage du tracé et des axes

Lecture 64 Figure, subplots et axes - Partie 1

Lecture 65 Figure, subplots et axes - Partie 2

Lecture 66 Exercice de création de parcelles

Lecture 67 Histogrammes

Lecture 68 Comparaison de plusieurs histogrammes

Lecture 69 Représentation graphique de type boite à moustaches

Lecture 70 Nuages de points et courbes en 3D

Lecture 71 Représentation en 3D des fonctions à deux variables

Section 6: La bibliothèque Seaborn

Lecture 72 Bienvenue à la section Seaborn

Lecture 73 Introduction

Lecture 74 Représentation graphique d'une distribution de variables quantitatives

Lecture 75 La fonction seaborn.catplot()

Lecture 76 Représentation graphique d'une distribution de variable qualitative

Lecture 77 Croisement de deux variables quantitatives

Lecture 78 Croisement de deux variables qualitatives

Lecture 79 Croisement d'une variables quantitative et une variable qualitative

Lecture 80 Multivariables: croisement de trois variables

Lecture 81 Etude des corrélations

Lecture 82 Etude des corrélations - Partie 2

Lecture 83 Représentation d'un tableau croisé dynamique

Lecture 84 Régression linéaire

Section 7: Machine Learning

Lecture 85 Bienvenue à la section Machine Learning

Lecture 86 Machine Learning: c'est quoi ?

Lecture 87 Apprentissage supervisé: introduction

Lecture 88 Processus de l'apprentissage supervisé

Section 8: Régression linéaire

Lecture 89 Introduction théorique à la régression linéaire

Lecture 90 Projet de régression linéaire multiple - Partie 1

Lecture 91 Projet de régression linéaire multiple - Partie 2

Section 9: Classification

Lecture 92 Projet de classification - Partie 1

Lecture 93 Projet de classification - Partie 2

Lecture 94 Cross Validation et Validation Curve

Lecture 95 Grid Search CV

Lecture 96 Représentativité des données - Fonction Learning Curve

Lecture 97 Projet 2 de classification - Partie 1

Lecture 98 Projet 2 de classification - Partie 2

Section 10: Support Vector Machines (SVM)

Lecture 99 Introduction théorique au Support Vector Machines (SVM)

Lecture 100 Support Vector Machines en Python

Section 11: Régression logistique

Lecture 101 Régression logistique: c'est quoi ?

Lecture 102 Projet de régression logistique - Partie 1

Lecture 103 Projet de régression logistique - Partie 2

Lecture 104 Projet de régression logistique - Partie 3

Section 12: Arbre de décision pour la classification

Lecture 105 Arbre de décision : introduction

Lecture 106 Arbre de décision: projet de classification

Lecture 107 Visualisation de l'arbre de décision à l'aide de matplotlib

Lecture 108 Visualisation de l'arbre de décision à l'aide de graphviz

Section 13: Arbre de décision pour la régression linéaire

Lecture 109 Arbre de décision pour la régression linéaire

Lecture 110 Arbre de décision: projet de régression linéaire - Partie 1

Lecture 111 Arbre de décision: projet de régression linéaire - Partie 2

Lecture 112 Forêts aléatoires (Random forest)

Section 14: Apprentissage non supervisé: l'algorithme KMeans Clustering

Lecture 113 Introduction à l'apprentissage supervisé

Lecture 114 Le KMeans Clustering: comment ça marche? - Partie 1 -

Lecture 115 Le KMeans Clustering: comment ça marche ? - Partie 2 -

Lecture 116 Le KMeans Clustering en Python

Lecture 117 KMeans Clustering: Projet de segmentation des clients

Section 15: Analyse en composantes principales (ACP)

Lecture 118 Introduction théorique à l'Analyse en Composantes Principales

Lecture 119 L'ACP en Python - Partie 1

Lecture 120 L'ACP en Python - Partie 2

Section 16: Apprendre les fondamentaux de Python: cours intensif et détaillé

Lecture 121 Bienvenue à la section Python

Lecture 122 Installation de PyCharm - Mac OS

Lecture 123 Installation de PyCharm - Windows

Lecture 124 Introduction aux variables

Lecture 125 Affectation des valeurs aux variables: différentes manières

Lecture 126 Types de variables

Lecture 127 Variable de type Str

Lecture 128 Introduction aux opérateurs

Lecture 129 Opérateurs arithmétiques

Lecture 130 Opérateurs de chaînes de caractères

Lecture 131 Opérateurs d'affectation

Lecture 132 Opérateurs de comparaison

Lecture 133 La fonction print()

Lecture 134 La méthode format()

Lecture 135 f-String

Lecture 136 Parcourir les chaînes de caractères

Lecture 137 Le slicing - partie 1

Lecture 138 Le slicing - Partie 2

Lecture 139 Le slicing - Partie 3

Lecture 140 Slicing : Synthèse

Lecture 141 Structures conditionnelles - Partie 1

Lecture 142 Structures conditionnelles - Partie 2

Lecture 143 Structures conditionnelles - Partie 3

Lecture 144 Les conditions imbriquées

Lecture 145 Les conditions multiples et opérateurs logiques

Lecture 146 Les conditions et les variables booléennes

Lecture 147 Conditions et opérateurs d'appartenance

Lecture 148 Les boucles: introduction

Lecture 149 La boucle While

Lecture 150 La boucle for et la fonction range()

Lecture 151 Le mot clé break

Lecture 152 Le mot clé continue

Lecture 153 Les listes

Lecture 154 Récupérer les valeurs d'une liste

Lecture 155 Ajouter et modifier les valeurs d'une liste

Lecture 156 Supprimer des éléments d'une liste

Lecture 157 Concaténation des listes

Lecture 158 Parcourir une liste

Lecture 159 Compréhension de liste

Lecture 160 Méthodes split() et join()

Lecture 161 Les tuples

Lecture 162 Récupérer les éléments d'un tuple

Lecture 163 Les fonctions

Lecture 164 Fonctions avec paramètres

Lecture 165 Fonctions avec plusieurs paramètres

Lecture 166 Les dictionnaires

Lecture 167 Ajout de nouvelles entrées à un dictionnaire

Lecture 168 Accès aux entrées d'un dictionnaire

Lecture 169 Modifier les valeurs d'un dictionnaire

Lecture 170 Supprimer des entrées d'un dictionnaire

Lecture 171 Fonctions utiles à un dictionnaire

Lecture 172 Les dictionnaires et la boucle for

Lecture 173 Les ensembles

Lecture 174 Tester l'appartenance d'un élément dans un ensemble

Lecture 175 Intersection des ensembles

Lecture 176 Union et différence de deux ensembles

Lecture 177 Mise à jour d'un ensemble

Lecture 178 Union et affectation simultanée d'un ensemble

Lecture 179 Supprimer des éléments d'un ensemble

Lecture 180 supprimer un élément aléatoirement d'un ensemble

Ce cours est destiné aux personnes souhaitant apprendre la l'analyse des données, la Data Science et le machine learning à l'aide de Python.