[{"data":1,"prerenderedAt":45},["ShallowReactive",2],{"course-data-science-les-fondamentaux-avec-python":3,"highlight-python-from sklearn.model_s":44},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":7,"maximumParticipants":7,"duration":17,"reference":18,"trainerType":7,"updated_at":19,"created_at":20,"price":21,"organizationMode":22,"theme":25,"code":29,"tags":34,"metadata":35},"/api/courses/0b1773f8-b298-11f1-a993-d8ca06000363","Data science : les fondamentaux avec Python","data-science-les-fondamentaux-avec-python",null,"Analystes, statisticiens, ingénieurs, contrôleurs de gestion, développeurs souhaitant aborder l'analyse de données.","Bases de Python et notions de statistiques descriptives.","Explorer, visualiser et modéliser des données avec pandas et scikit-learn (segmentation, classification).","--day1--\n\n## Manipulation de données avec pandas\n\n-   Structures de données : séries et tableaux de données\n-   Chargement depuis différents formats et premières inspections\n-   Sélection, filtrage, tri, création de colonnes\n-   Regroupements et agrégations\n-   Fusion et concaténation de jeux de données\n-   Travaux pratiques : exploration complète d'un jeu de données réel\n\n--break--\n\n## Préparation et qualité des données\n\n-   Valeurs manquantes : détection, causes, stratégies de traitement\n-   Valeurs aberrantes et cohérence métier\n-   Types, dates, variables catégorielles et encodages\n-   Normalisation et mise à l'échelle\n-   Fuite de données entre préparation et évaluation : le piège méthodologique majeur\n-   Travaux pratiques : préparation complète d'un jeu de données brut avec traçabilité des traitements\n\n--day2--\n\n## Analyse exploratoire et visualisation\n\n-   Statistiques descriptives et distributions\n-   Corrélations et relations entre variables\n-   Bibliothèques de visualisation et choix des représentations\n-   Visualisations trompeuses et règles de lecture honnête\n-   Restitution d'une exploration à un public métier\n-   Travaux pratiques : production d'une analyse exploratoire commentée\n\n--break--\n\n## Apprentissage supervisé\n\n-   Formulation d'un problème : régression, classification, variable cible\n-   Séparation apprentissage, validation, test\n-   Modèles de base : régression linéaire et logistique, arbres, forêts\n-   Entraînement, prédiction et interprétation des résultats\n-   Sur-apprentissage et sous-apprentissage\n-   Travaux pratiques : construction et comparaison de plusieurs modèles sur un cas métier\n\n--day3--\n\n## Évaluation et amélioration\n\n-   Métriques de régression et de classification, choix selon l'enjeu métier\n-   Matrice de confusion, précision, rappel, compromis associés\n-   Validation croisée et stabilité des résultats\n-   Réglage des hyperparamètres\n-   Classes déséquilibrées et pièges d'interprétation\n-   Travaux pratiques : évaluation rigoureuse d'un modèle et argumentation du choix des métriques\n\n--break--\n\n## Du prototype à l'usage\n\n-   Interprétabilité des modèles et explication des prédictions\n-   Biais, équité et limites éthiques d'un modèle\n-   Reproductibilité : versionnement des données, du code et des modèles\n-   Mise à disposition d'un modèle et supervision en usage\n-   Dérive des données et nécessité du réentraînement\n-   Travaux pratiques : restitution complète d'un projet d'analyse avec limites et recommandations","Présentiel, distanciel, hybride","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l’ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h ouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la formation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.","21.00","L1-DAT-20","2026-09-18T09:45:10+00:00","2026-09-17T15:02:31+00:00","2110.00",{"id":23,"name":24},"/api/organization_mode_types/6","HYBRID",{"id":26,"name":27,"slug":28},"/api/themes/0ac0e95d-b298-11f1-a993-d8ca06000363","Bases de données, outils décisionnels, Big Data et Cloud computing","bases-de-donnees-outils-decisionnels-big-data-et-cloud-computing",{"id":30,"label":31,"domain":32},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":33},"32 - Communication et information",[],{"desc-accroche":36,"Description":37,"icon-color":38,"icon-name":39,"code-langage":40,"code-snippet":41,"courte-description":42,"titre-accroche":43},"Menez une analyse de données complète avec pandas, matplotlib et scikit-learn : nettoyage, exploration statistique, visualisation, segmentation par clustering et classification supervisée, avec une évaluation rigoureuse des modèles obtenus.","Multiplier les algorithmes sans maîtriser la qualité des données ni l'évaluation des résultats produit des modèles trompeurs. Cette formation conduit une analyse de données de bout en bout avec l'écosystème Python : chargement et nettoyage avec pandas, exploration statistique descriptive, visualisation avec matplotlib et seaborn, puis modélisation avec scikit-learn. Les stagiaires mettent en œuvre des techniques de segmentation non supervisée (k-means) et de classification supervisée (régression logistique, arbres de décision), et apprennent à évaluer un modèle : séparation train/test, validation croisée, matrice de confusion et métriques adaptées au problème métier. Cette formation d'initiation s'adresse aux analystes, statisticiens, ingénieurs, contrôleurs de gestion et développeurs souhaitant aborder l'analyse de données sans bagage mathématique avancé.","#3776AB","mdi:language-python","python","from sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import classification_report\n\nX_train, X_test, y_train, y_test = train_test_split(\n    X, y, test_size=0.2, random_state=42\n)\n\nmodele = LogisticRegression().fit(X_train, y_train)\nprint(classification_report(y_test, modele.predict(X_test)))","Formation d'initiation à la data science avec Python : exploration, visualisation et modélisation de données avec pandas et scikit-learn, segmentation et classification.","Explorez, visualisez et modélisez vos données avec Python, pandas et scikit-learn pour construire vos premiers modèles de segmentation et de classification.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.model_selection \u003Cspan class=\"hljs-keyword\">import\u003C/span> train_test_split\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.linear_model \u003Cspan class=\"hljs-keyword\">import\u003C/span> LogisticRegression\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.metrics \u003Cspan class=\"hljs-keyword\">import\u003C/span> classification_report\n\nX_train, X_test, y_train, y_test = train_test_split(\n    X, y, test_size=\u003Cspan class=\"hljs-number\">0.2\u003C/span>, random_state=\u003Cspan class=\"hljs-number\">42\u003C/span>\n)\n\nmodele = LogisticRegression().fit(X_train, y_train)\n\u003Cspan class=\"hljs-built_in\">print\u003C/span>(classification_report(y_test, modele.predict(X_test)))\u003C/code>\u003C/pre>",1789717727969]