Python scientifique par Human Coders

1. Présentation de l'écosystème Python scientifique
1.1. Notre galaxie des librairies étudiées
- Numpy.
- SciPy.
- Matplotlib.
- Pylab (les 3 précédentes en 1).
- Pandas.
- Scikit
- Learn.
1.2 Savoir trouver toutes les autres galaxies de cet univers...
2. Choisir un environnement de travail
- Les distributions Python (Enthought , Anaconda, WinPython, ...).
- Les IDE de développement (Spyder, Eclipse, PyCharm, ...).
Seconde partie : Le calcul numérique avec Python
Dans cette partie nous découvrirons les librairies qui constituent les fondations de l'univers scientifique de Python.
1. Considérations de base sur la représentation des nombres en informatique et avec Python.
2. Numpy
- Le socle de calcul numérique.
3. Pandas.
4. Matplotlib.
5. Scipy.
Troisième partie : Dataviz
Pour bien comprendre et analyser vos données, vous aurez probablement besoin de pouvoir les visualiser. Nous viendrons compléter Matplolib par plusieurs bibliothèques permettant de l'étoffer (Seaborn, Altair, etc.).
Quatrième partie : Essentiels de la programmation parallèle
L'objectif de cette partie de la formation n'est pas de faire de vous des experts en calcul parallèle mais de vous sensibiliser à ses particularités. Nous utiliserons les bibliothèques Multi Threading et Multi Processing de Python pour donner une illustration pratique de chacun de ses concepts étudiés.
Cinquième partie : Machine Learning
- Apprentissage machine
1. Les différents types d'apprentissage et leurs principaux algorithmes
Ce chapitre plus théorique présente les concepts de l'apprentissage automatique et les principaux algorithmes utilisés par cette discipline.
- L'apprentissage non supervisé.
- L'apprentissage supervisé.
- L'apprentissage par renforcement.
- La notion de problème de régression.
- La notion de problème de classification.
2. Scikit
- Learn
Scikit
- Learn est probablement la plus populaire librairie d'algorithmes d'apprentissage automatique pour Python et peut
- être même tous langages confondus.
Elle possède un grand nombre de fonctionnalités spécialisées dans l'analyse de données et le data Mining qui en font un outil de choix pour les chercheurs et développeurs.
Ce chapitre vous permettra de mettre en oeuvre les différents algorithmes présentés ci
- dessous.
Seront abordés :
- Linear Regression (régression linéaire).
- Dimensionality Reduction Algorithms.
- KMeans.
- SVM (séparateur à vaste marge ou machines à vecteur de support).
- Decision Tree (Arbre de décision) et Random Forest (Forêt Aléatoire).

Apprendre à maîtriser les librairies de calcul numérique suivantes : Numpy, SciPy, Pandas et Matplotlib
Mettre en oeuvre des algorithmes d'apprentissage pour exploiter et classifier ses données