Apprenez comment utiliser NumPy, Pandas, Seaborn , Matplotlib , Plotly , Scikit-Learn et le Machine Learning
Cette formation est la plus complète en langue française, elle 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 Python ainsi que ceux expérimentés qui cherchent à faire le saut vers les sciences de données !
Dans cette formation, vous apprendrez comment utiliser les bibliothèques les plus populaires en data science (Numpy, Pandas, Matplotlib, Seaborn etc.) ainsi que la majorité des algorithmes les plus puissants du Machine Learning (Régression linéaire, Régression logistique, K Voisins les plus proches, Arbres de décision, Forêts aléatoires, K-Mean clustering et l'analyse en composantes principales).
Fini les cours complexes, cette formation est conçue pour simplifier votre apprentissage et met toutes les chances de vos côtés. Elle combine la théorie pour comprendre le fondement des notions étudiées et beaucoup de pratique à l'aide des projets réels.
Si vous avez besoin d’aide, il vous suffit de m’envoyer un message. J’adore ce que je fais, mais surtout j’aime quand mes étudiants réussissent et cela n’a pas de prix pour moi. Au cours de mes trente années d’exercice de la formation en ligne et en présentiel, j’ai formé plusieurs milliers d’étudiants. Devenir data Scientist dépend de votre volonté et votre succès dépend de vous et de votre motivation, mais je veillerai à ce que vous obteniez toute l’aide dont vous avez besoin lorsque vous en avez besoin.
INSCRIVEZ-VOUS DÈS MAINTENANT ET SI VOUS N'ÊTES PAS SATISFAIT JE VOUS REMBOURSE
Je m’appelle Mohammed et suis docteur de l'université Panthéon Assas Parie 2 et lauréat du master MIAGE (Méthodes Informatiques Appliquées à la Gestion des Entreprises). Je suis enseignant universitaire en Mathématiques/Informatique, développeur full stack et data scientist depuis de nombreuses années.
Leçon 1: Introduction | 4 minutes |
Leçon 2: Bienvenue et quelques précisions | 1 minute |
Leçon 3: Installation d'Anaconda - Mac OS | 4 minutes |
Leçon 4: Installation d'Anaconda - Windows | 2 minutes |
Leçon 5: Prise en main du noteBook Jupyter | 13 minutes |
Leçon 6: Bienvenue au module Numpy | 20 secondes |
Leçon 7: Introduction | 3 minutes |
Leçon 8: Création de vecteurs à partir de liste Python | 10 minutes |
Leçon 9: Création de matrices | 5 minutes |
Leçon 10: Création de tableaux de trois dimensions | 4 minutes |
Leçon 11: La fonction arange() | 6 minutes |
Leçon 12: Attributs principaux d'un objet array | 9 minutes |
Leçon 13: La méthode reshape() | 5 minutes |
Leçon 14: La méthode resize() | 10 minutes |
Leçon 15: Concaténation de deux tableaux | 7 minutes |
Leçon 16: Construction automatique de tableaux Numpy | 16 minutes |
Leçon 17: La fonction linspace() | 5 minutes |
Leçon 18: Création de tableaux aléatoires | 11 minutes |
Leçon 19: Méthodes de calcul sur les tableaux Numpy | 14 minutes |
Leçon 20: Indexation des tableaux Numpy - Partie 1 | 11 minutes |
Leçon 21: Indexation des tableaux bidimensionnels | 12 minutes |
Leçon 22: Tableaux et opérateurs de comparaison | 10 minutes |
Leçon 23: Modifications des tableaux Numpy selon des conditions | 5 minutes |
Leçon 24: Binariser une matrice | 5 minutes |
Leçon 25: Opérations sur les tableaux unidimensionnels | 8 minutes |
Leçon 26: Opérations sur les matrices | 11 minutes |
Leçon 27: EXERCICES Numpy | 38 secondes |
Leçon 28: Corrigé des exercices Numpy - Partie 1 | 20 minutes |
Leçon 29: Corrigé des exercices Numpy - Partie 2 | 27 minutes |
Leçon 30: CONCLUSION | 3 minutes |
Leçon 31: Bienvenue au module Pandas | 21 secondes |
Leçon 32: Introduction | 4 minutes |
Leçon 33: Les séries en Pandas | 11 minutes |
Leçon 34: Série Pandas comme dictionnaire | 6 minutes |
Leçon 35: Modification d'une série pandas | 5 minutes |
Leçon 36: Construction de Dataframes | 12 minutes |
Leçon 37: Créer un Dataframe à partir de plusieurs séries pandas | 8 minutes |
Leçon 38: Créer un Dataframe à partir d'une matrice Numpy | 6 minutes |
Leçon 39: Modifier un dataframe | 12 minutes |
Leçon 40: Sélectionner les données d'un Dataframe | 9 minutes |
Leçon 41: Sélectionner par tranche les données d'un Dataframe | 10 minutes |
Leçon 42: Sélection conditionnelle des données d'un Dataframe | 12 minutes |
Leçon 43: Sélection des données d'un Dataframe selon plusieurs conditions | 4 minutes |
Leçon 44: Réinitialisation et modification des indices dans un Dataframe | 6 minutes |
Leçon 45: Multindex | 9 minutes |
Leçon 46: Acceder à un dataframe multiindexé | 5 minutes |
Leçon 47: Création et accès aux données d'un dataframe multiindexé - Partie 2 | 12 minutes |
Leçon 48: Combinaison de dataframes | 9 minutes |
Leçon 49: Groupement des données | 19 minutes |
Leçon 50: Tableaux croisés dynamiques | 12 minutes |
Leçon 51: Quelques opérations en Pandas | 10 minutes |
Leçon 52: Traitement des données manquantes | 14 minutes |
EXERCICE 2: exploration des données des pays dans le monde | 6 minutes |
CORRIGÉ DE L'EXERCICE 2 | 15 minutes |
EXERCICE 3 | 1 minute |
CORRIGÉ DE L'EXERCICE 3 | 16 minutes |
Bienvenue à la section Matplotlib | 42 secondes |
Leçon 53: Introduction | |
Leçon 54: Représentations graphiques avec Matplotlib | 6 minutes |
Leçon 55: Représentation graphique de type courbe | 12 minutes |
Leçon 56: Axes et titre d'une représentation graphique | 12 minutes |
Leçon 57: Réglage du tracé et des axes | 9 minutes |
Leçon 58: Figure, subplots et axes - Partie 1 | 6 minutes |
Leçon 59: Figure, subplots et axes - Partie 2 | 19 minutes |
Leçon 60: Exercice de création de parcelles | 8 minutes |
Leçon 61: Histogrammes | 9 minutes |
Leçon 62: Comparaison de plusieurs histogrammes | 9 minutes |
Leçon 63: Représentation graphique de type boite à moustaches | 12 minutes |
Leçon 64: Nuages de points et courbes en 3D | 10 minutes |
Leçon 65: Représentation en 3D des fonctions à deux variables | 15 minutes |
Bienvenue à la section Seaborn | 42 secondes |
Leçon 66: Introduction | |
Leçon 67: Représentation graphique d'une distribution de variables quantitatives | 13 minutes |
Leçon 68: La fonction seaborn.catplot() | 7 minutes |
Leçon 69: Représentation graphique d'une distribution de variable qualitative | 8 minutes |
Leçon 70: Croisement de deux variables quantitatives | 12 minutes |
Leçon 71: Croisement de deux variables qualitatives | 4 minutes |
Leçon 72: Croisement d'une variables quantitative et une variable qualitative | 3 minutes |
Leçon 73: Multivariables: croisement de trois variables | 4 minutes |
Leçon 74: Etude des corrélations | 4 minutes |
Leçon 75: Etude des corrélations - Partie 2 | 9 minutes |
Leçon 76: Représentation d'un tableau croisé dynamique | 10 minutes |
Leçon 77: Régression linéaire | 9 minutes |
Bienvenue à la section Machine Learning | 49 secondes |
leçon 78: Machine Learning: c'est quoi ? | |
Leçon 79: Apprentissage supervisé: introduction | 8 minutes |
Leçon 80: Processus de l'apprentissage supervisé | 6 minutes |
Leçon 81: Introduction théorique à la régression linéaire | 6 minutes |
Leçon 82: Projet de régression linéaire multiple - Partie 1 | 19 minutes |
Leçon 83: Projet de régression linéaire multiple - Partie 2 | 34 minutes |
Leçon 84: Projet de classification - Partie 1 | 6 minutes |
Leçon 85: Projet de classification - Partie 2 | 14 minutes |
Leçon 86: Cross Validation et Validation Curve | 25 minutes |
Leçon 87: Grid Search CV | 14 minutes |
Leçon 88: Représentativité des données - Fonction Learning Curve | 8 minutes |
Leçon 89: Projet 2 de classification - Partie 1 | 18 minutes |
Leçon 90: Projet 2 de classification - Partie 2 | 19 minutes |
Leçon 91: Introduction théorique au Support Vector Machines (SVM) | 7 minutes |
Leçon 92: Support Vector Machines en Python | 27 minutes |
Leçon 93: Régression logistique: c'est quoi ? | 9 minutes |
Leçon 94: Projet de régression logistique - Partie 1 | 17 minutes |
Leçon 95: Projet de régression logistique - Partie 2 | 18 minutes |
Leçon 96: Projet de régression logistique - Partie 3 | 14 minutes |
Leçon 97: Arbre de décision : introduction | 5 minutes |
Leçon 98: Arbre de décision: projet de classification | 16 minutes |
Leçon 99: Visualisation de l'arbre de décision à l'aide de matplotlib | 9 minutes |
leçon 100: Visualisation de l'arbre de décision à l'aide de l'outil graphviz | 10 minutes |
Leçon 101: Arbre de décision pour la régression linéaire | 19 minutes |
Leçon 102: Arbre de décision - projet de régression linéaire - Partie 1 | 25 minutes |
Leçon 103: Arbre de décision - projet de régression linéaire - Partie 2 | 14 minutes |
Leçon 104: Forêts aléatoires (Random forest) | 10 minutes |
Leçon 105: Introduction à l'apprentissage non supervisé | 3 minutes |
Leçon 106: Le KMeans Clustering: comment ça marche? - Partie 1 | 5 minutes |
Leçon 107: Le KMeans Clustering: comment ça marche ? - Partie 2 | 17 minutes |
Leçon 108: Le KMeans Clustering en Python | 20 minutes |
Leçon 109: KMeans Clustering: Projet de segmentation des clients | 32 minutes |
Leçon 110: Introduction théorique à l'Analyse en Composantes Principales | 11 minutes |
Leçon 111: L'ACP en Python - Partie 1 | 26 minutes |
Leçon 112: L'ACP en Python - Partie 2 | 14 minutes |
TVA incluse, pas de frais cachés
TVA incluse, pas de frais cachés
Garantie de satisfaction de 30 jours
Paiement sécurisé