Le programme de la formation

Jour 1 : Fondamentaux Python pour la Data Science Chapitre 1 : Syntaxe et structures de base • Variables, types, boucles, fonctions • Listes, dictionnaires, tuples Chapitre 2 : Programmation orientée objet • Classes, héritage, encapsulation Chapitre 3 : Environnements de travail • Jupyter Notebook, VS Code, Google Colab Atelier 1 : Création d’un mini-projet Python orienté objet Jour 2 : Manipulation et visualisation de données Chapitre 4 : NumPy et Pandas • Tableaux multidimensionnels • Nettoyage et transformation de données Chapitre 5 : Visualisation avec Matplotlib et Seaborn • Graphiques statistiques • Corrélations et distributions Atelier 2 : Analyse exploratoire d’un dataset (Titanic, Iris, etc.) Jour 3 : Machine Learning avec Scikit-learn Chapitre 6 : Apprentissage supervisé • Régression linéaire, logistique • Arbres de décision, Random Forest Chapitre 7 : Apprentissage non supervisé • K-means, PCA, clustering hiérarchique Chapitre 8 : Évaluation des modèles • Accuracy, precision, recall, F1-score Atelier 3 : Implémentation d’un modèle de classification complet Jour 4 : Deep Learning avec TensorFlow/Keras Chapitre 9 : Réseaux de neurones artificiels • Perceptron, MLP, fonctions d’activation Chapitre 10 : Entraînement et validation • Overfitting, early stopping, dropout Chapitre 11 : Traitement d’images • CNN, reconnaissance d’images Atelier 4 : Création d’un modèle de reconnaissance d’images (MNIST) Jour 5 : Applications avancées de l’IA Chapitre 12 : Traitement du langage naturel (NLP) • Tokenisation, TF-IDF, Word Embeddings • Modèles de classification de texte Chapitre 13 : Déploiement de modèles IA • Sauvegarde avec Pickle/Joblib • API Flask pour l’inférence Chapitre 14 : Projet final • Choix d’un cas réel (NLP, vision, prédiction) • Présentation des résultats Atelier 5 : Déploiement d’un modèle IA via une API Flask