Python pour l'IA - perfectionnement

Introduction à l'IA

• Définitions et concepts clés de l'IA Applications de l'IA dans le monde réel
• Aperçu des bibliothèques populaires d'IA en Python

Bases du langage Python

• Rappel des bases du langage Python (structures de contrôle, fonctions)

Introduction à Pandas

• Présentation de Pandas et son rôle dans l'analyse de données
• Chargement des données dans un DataFrame
• Pandas Manipulation des données (tri, filtrage, groupement)
• Nettoyage des données (gestion des valeurs manquantes, des doublons, des outliers)
• Exercices pratiques de manipulation de données avec Pandas

Analyse des données avec Pandas

• Exploration des données avec Pandas
• Analyse univariée (statistiques descriptives, distribution)
• Analyse multivariée (corrélations, tendances, patterns)
• Exercices pratiques de manipulation et de visualisation des données

Module 5 : visualisation des données avec Python

• Introduction à la visualisation des données et son importance dans l'analyse
• Utilisation de la bibliothèque Matplotlib pour créer des graphiques
• Création de graphiques à barres, histogrammes, diagrammes circulaires, etc.
• Visualisation interactive avec la bibliothèque Plotly
• Personnalisation des graphiques (titres, légendes, couleurs)
• Exercices pratiques de manipulation et de visualisation des données

Manipulation avancée des données avec Pandas

• Concatenation et jointure de DataFrames
• Normalisation et logarisation des données
• Transformation des variables qualitatives (one-hot encoder)
• Création de nouvelles colonnes (feature engineering)
• Exercices pratiques de manipulation avancée des données avec Pandas

Introduction à l'analyse exploratoire avancée des données avec Scikit-learn

• Machine learning supervisé : regression et classification avec Scikit-learn
• Machine learning non supervisé : clustering
• Mise en place d'un modèle, méthodologie d'une modélisation
• Projet pratique d'analyse des données en utilisant Matplotlib, Pandas, Scikit-learn