Python pour Data-scientist

1 - Positionnement Python

• Besoins des data-scientist:calculs, analyse d’images, machine learning, interface avec les bases de données
• Apports de python:grande variété d’outils, expertise dans le domaine du calcul scientifique
• Tour d’horizon des outils : pandas, agate, bokeh, scikit-learn, pybrain, tensorflow, keras, mxnet, caffe

2 - Calculs et graphiques

• NumPy : Base du calcul sur des tableaux
• SciPy : Scientific Tools for Python, couche scientifique
• Manipulation de tableaux, fonctions mathématiques
• Représentation graphique avec basemap et matplotlib
• Mise en oeuvre de SciPy/NumPy : manipulation d’images, détection de contours

3 - Manipulation de données relationnelles

• Pandas : manipulation de tables de données
• Tableaux avec Pandas : indexation, opérations, algèbre relationnelle
• Stockage dans des fichiers : CSV, h5py, netCDF
• Comparaison et performances Pandas / NumPy

4 - Machine learning et deep learning

• Présentation de TensorFlow, scikit-learn, keras ,mxnet, caffe
• TensorFlow : principe de fonctionnement, plate-formes supportées, distribution, APIs fournies en standard, modèles d’apprentissage
• Projet scikit-learn : classification, régression, validation de modèles prédictifs
• Démonstrations avec les modèles fournis par scikit-learn
• Positionnement et comparaison avec Keras, mxnet, caffe