+257 69349599 Bujumbura-Avenue de la science , Immeuble Premium House , Bureau 503 Mon - Sat 8.00 - 18.00. Sunday CLOSED

Data Analytics and Data Science

  • Emplacement
  • Salaire
    négociable
  • Publié:
    4 semaines  depuis
  • Catégorie
  • Date limite
    3 juin 2020

Voulez-vous faire partie des experts Data Scientist à l’ère du Big Data?

Voulez-vous apprendre à produire des solutions adaptées aux défis que font face  différents domaines grâce aux données ?

Welcome to the training in Data Analytics and Data Science

Publique ciblé :

  • Statisticiens
  • Mathématiciens
  • Informaticiens
  • Chargé de Suivi et Evaluation
  • Biologistes travaillant dans les données
  • Ingénieur agronome travaillant dans les données
  • Banquier et assureur travaillant dans les données
  • Tout ce monde qui veut améliorer leurs connaissances dans le traitement des données

Innovative Solutions Data and Analytics est une startup spécialisée dans les solutions digitales en utilisant des méthodes du data science (science des données)  un sous domaine de l’intelligence artificielle.

Conscient du manque du personnel avec des compétences avancées pour traiter le Big Data avec des méthodes scientifiques afin de répondre aux défis que font face les entreprises et différentes institutions, nous avons préparé deux formations en Data Analytics et Data Science.

Programme

  1. Data Analytics

Chapitre 0 : Introduction au logiciel R

Chapitre I : Manipulation des données (Data Manupilation)

Chapitre II : Visualisation des données

Chapitre III : Les rapports automatisés

Chapitre IV : Représentation des données et ingénierie des caractéristiques.

IV.1 Variables catégorielles

  • Encodage one-hot
  • Les nombres peuvent encoder des catégories

IV.2 Binning, discrétisation, modèles linéaires et arbres.

IV.3 Interactions et polynômes

IV.4 Transformation non linéaires univariées

IV.5 Sélection automatique de caractéristiques

IV.6 Savoir utilisé l’expertise

  1. Data Science

Chapitre I : Apprentissage supervisé

  • Classification et régression
  • Généralisation surapprentissage et sous – apprentissage
  • Relation entre complexité du modèle et taille du jeu de données
  • Algorithmes pour l’apprentissage automatique supervisé
  • Les k plus proches voisins
  • Modèles linéaires
  • Classifieurs bayésiens naïfs
  • Arbres de décision
  • Ensembles d’arbres décisions
  • SVM à noyau
  • Estimer l’incertitude pour les classifieurs
  • La fonction de décision
  • Prédire les probabilités
  • Classification multiclasse et incertitude

Chapitre II : Apprentissage non supervisé et prétraitement

  • Types d’apprentissage non supervisés
  • Les défis de l’apprentissage non supervisé
  • Prétraitement et recalibrage
  • Différents types de prétraitement
  • Appliquer des transformations aux données
  • Recalibrer de la même manière le jeu d’apprentissage et le jeu de test
  • Effet du prétraitement sur l’apprentissage supervisé
  • Réduction de la dimension, extraction de caractéristiques et apprentissage de variétés
  • Analyse en composantes principales (PCA)
  • Factorisation en matrices non négatives (NMF)
  • Apprentissage de variétés avec t-SNE
  • Clustering
  • Partitionnement en k-moyennes
  • Clustering agglomératif
  • DBSCAN
  • Comparer et évaluer les algorithmes du clustering
  • Résumons les méthodes de clustering

Chapitre III : Evaluation et amélioration du modèle

  • Validation croisée
  • Recherche sur grille
  • Métriques d’évaluation et scoring

Chapitre IV : Chaînage d’algorithmes et pipelines

  • Sélection de paramètres avec prétraitement
  • Construire des pipelines
  • Utiliser des pipelines dans des recherches sur grille
  • Interface générale dans des recherches sur grille
  • Etapes de prétraitement et paramètre du modèle
  • Effectuer une recherche sur grille pour traiter quel modèle utilisé

Chapitre V : Deep learning algorithme

  • Introduction
  • ANN
  • RNN
  • LSTM
  • Auto-Encoder

Chapitre VI : Déploiement de ces modèles et solutions de data science sous forme d’application

Chapitre VII : Cartographie

Chapitre VIII : Un regard analytique sur l’impact des méthodes du data science dans le réel.

Apres cette formation, le bénéficiaire sera capable :

  • de structurer les données pour les rendre utilisables
  • de visualiser les données
  • de faire des rapports et partager le travail avec commentaires à ces collègues tout en gardant les codes.
  • de développer des modèles prédictives avec des méthodes et algorithmes de machine learning et deep learning.
  • de faire la classification avec des méthodes et algorithmes de machine learning et deep learning.
  • d’adapter ces modèles et algorithmes aux défis réels que font face chacun dans son domaine.
  • de distribuer ces modèles et solutions de data science sous forme d’application
  • de maîtriser la cartographie pour faire des analyses et représentations des variables
  • faire un débat critique sur l’impact du data science dans notre société.

Lien d’inscription :

Avenue des Manguiers, numero 1, Galerie la belle Porte, numero 1

Tous les jours à 16h

Date limite d’inscription : 03/06/2020

Cout de la formation : 350.000 BIF

Lieu de la formation :

City Hill Hotel à Kiriri,

Service offert : Pause-café (Café/Jus/The au lait + Sandwich)

Jour de la formation : Tous les Samedis de 8h à 15h00

Condition pour l’inscription : Payement d’une avance de 50% des frais de formation

Contact :

Tel: 75 748 150 (Appel simple)

71 209 162 (Whatsapp)

E-mail : insoldatanal@gmail.com

 

error: Content is protected !!