Formation Data Science Fondamentaux
Apprenez les outils, la méthodologie, les bonnes pratiques et les principes clés de la Data Science grâce à notre formation Data Science: Fondamentaux de 5 jours !
Vue d'ensemble
Connaissances en statistiques et en programmation
Objectifs pédagogiques
Programme détaillé
Présentation de la Data Science
Big Data: définition, architecture…
La Big Data, quel enjeu pour les entreprises?
Volume, Vélocité, Variété: les 3V
Cas d’usage
Traiter les données: deep learning, analyse statistique…
Le Data Mining contre la Business Intelligence
Nouveaux challenges pour les organisations
Gouvernance des données
Principes, concepts clés de la Data Science
Data Science: présentation, définitions, vocabulaire et terminologie
Le métier de Data Scientist, « métier le plus sexy du XXIème siècle » ?
Data scientist: Rôle, responsabilités, compétences, philosophie
Objectifs et besoins
Processus de Data Science et Data Mining
Outils pour la Data Science
Outils propriétaires et outils open-source
Python et R: les langages pour la Data Science et leur environnement de développement
Notebooks Jupyter
Pandas, Numpy, SciKit-Learn… : les bibliothèques majeures
SQL, NoSQL, MongoDB : les principales bases de données pour la Data Science
Utiliser Excel, Tableau, D3.js ou encore Matplotlib pour visualiser les données
Installation d’outils pour les cas pratiques
Rappels mathématiques
Programmer avec Python et R
Python, R: les langages de la Data Science
Caractéristiques, structure
Opérations basiques, données, assignation de variables
Fonctions, listes, tableaux et packages
Obtenir et explorer les données
Trouver et importer des données
Données publiques, données privées
Entreposer les données (datawarehouse et datalake…)
Installation de bibliothèques et de packages
Pertinence des données: identification des caractéristiques des données
Contrôle de qualité: les bonnes pratiques
Prétraitement des données
De l’importance de nettoyer les données
Exemple d’un ensemble de données non-structurées
Nettoyage et préparation d’ensembles de données
Identification et résolution des valeurs manquantes, des valeurs « aberrantes »
Apache Spark et Apache Hadoop, MapReduce pour le Big Data
L’analyse en composantes principales (ACP, ou PCA pour Principal Component Analysis)
Extraire et sélectionner des features (Feature engineering)
Machine Learning pour analyser et modéliser
Entrées et sorties pour la modélisation d’un problème de Data Science
Machine Learning: capacités
Algorithmes supervisés, non-supervisés, semi-supervisés
Classification, régression d’algorithmes
Machine Learning et intuition
SciKit-Learn, gradDescent, TensorFlow… : les bibliothèques Machine Learning
Text Mining
Gestion des volumes du Big Data
Apprentissage supervisé: les méthodes
Construction d’un modèle de régression linéaire pour estimer les valeurs
Régression non-linéaire, logistique
Interpréter les coefficients de régression
Descente de gradient
Labels de jeux de données: automatisation
Méthodes ensemblistes
Forêts aléatoires, arbres de décision
SVM (machines à vecteurs de support)
Réseaux Bayésiens
Classification naïve bayésienne
Apprentissage semi-supervisé, non-supervisé, clustering
Algorithmes majeurs
Partitionnement en k-moyennes
Regroupement hiérarchique
Clustering basé sur la densité
Réseaux de neurones (Deep Learning)
Modèles d’apprentissage: évaluation et tests
Sur-apprentissage et cross-validation pour l’amélioration des modèles
Maintenance des modèles
Détérioration de la performance des modèles d’apprentissage
Ajustement, validation d’un modèle
Visualisation et restitution des données
Prendre des décisions à partir des données
Visualiser les données: les grands principes
Utiliser Tableau Software ou encore QlikSense pour la datavisualization
Raconter une histoire avec les données avec le Data storytelling
Intégrer la Data Science dans votre organisation
Implémentations dans les processus actuels
Considérer les objectifs et le contexte professionnel pour le choix des outils
Enjeux organisationnels, éthiques et juridiques
Prochaines sessions
du 26 oct. 2026 au 30 oct. 2026 • 5 jours
du 26 oct. 2026 au 30 oct. 2026 • 5 jours
du 26 oct. 2026 au 30 oct. 2026 • 5 jours
du 26 oct. 2026 au 30 oct. 2026 • 5 jours
du 30 nov. 2026 au 4 déc. 2026 • 5 jours
du 30 nov. 2026 au 4 déc. 2026 • 5 jours
du 30 nov. 2026 au 4 déc. 2026 • 5 jours
du 30 nov. 2026 au 4 déc. 2026 • 5 jours
du 30 nov. 2026 au 4 déc. 2026 • 5 jours
du 7 déc. 2026 au 11 déc. 2026 • 5 jours
du 7 déc. 2026 au 11 déc. 2026 • 5 jours
du 7 déc. 2026 au 11 déc. 2026 • 5 jours
du 7 déc. 2026 au 11 déc. 2026 • 5 jours
du 18 janv. 2027 au 22 janv. 2027 • 5 jours
du 18 janv. 2027 au 22 janv. 2027 • 5 jours
du 18 janv. 2027 au 22 janv. 2027 • 5 jours
du 18 janv. 2027 au 22 janv. 2027 • 5 jours
du 26 avr. 2027 au 30 avr. 2027 • 5 jours
du 26 avr. 2027 au 30 avr. 2027 • 5 jours
du 26 avr. 2027 au 30 avr. 2027 • 5 jours
du 26 avr. 2027 au 30 avr. 2027 • 5 jours
du 6 sept. 2027 au 10 sept. 2027 • 5 jours
du 6 sept. 2027 au 10 sept. 2027 • 5 jours
du 6 sept. 2027 au 10 sept. 2027 • 5 jours
du 6 sept. 2027 au 10 sept. 2027 • 5 jours
Ils nous font confiance
Cette année notre filière Data Science & Machine Learning a accompagné plus de 70 entreprises dont :
Avis des participants
Formation très bien organisée, très claire Alison explique très clairement et est très à l'écoute, avec toujours une approche pratique essentielle. je n'avais jamais fait de Python et j'ai pu coder finalement assez rapidement grâce à une progression bien articulée des exercices. Comme c'est très…
François-Marie est un excellent formateur ! Un grand merci à lui d'avoir été aussi pédagogue et clair dans ses explications du début à la fin de la formation, en plus d'être extremement sympathique, ce qui ne gâche rien :) Merci également à Sparks pour l'organisation…
L'intervenante est d'une qualité rare dans son domaine, son expertise est vraiment remarquable Par contre, j'ai suivi cette formation par curiosité mais elle s'avèrera peu utile dans mon métier Avec mon expérience "has been", et mon peu de connaissance en langage de programmation, j'ai eu…
Formation très intéressante, j'ai appris beaucoup de chose. Un grand merci au formateur.
Excellent rythme avec beaucoup de pratique. Des exercices permettant de comprendre le fonctionnement. Des réponses à toutes les questions posées ou pistes proposées pour trouver des réponses. Je recommande vivement cette formation avec cette formatrice.
Votre formateur
Camilo R.
Formateur Machine Learning & Google Cloud
Camilo intervient sur des formations portant sur la Data Science et le Machine Learning. Parmi les formations qui lui sont confiées figurent notamment « MLOps » et « PyTorch ». Son activité de formation a débuté en 2024.
Financement
Cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Questions fréquentes
Combien de temps dure la formation Data Science Fondamentaux ?
Cette formation se déroule sur 5 jours.
Quels sont les prérequis pour suivre la formation Data Science Fondamentaux ?
Connaissances en statistiques et en programmation
Quel est le prix de la formation Data Science Fondamentaux ?
En inter-entreprises, elle est à 3 750 € HT par participant ; en intra-entreprise, elle est à 8 750 € HT pour le groupe. Un tarif sur-mesure est également disponible sur devis.
La formation Data Science Fondamentaux délivre-t-elle une certification ?
Cette formation ne délivre pas de certification. Une attestation de fin de formation vous sera remise à l'issue de la session.
La formation Data Science Fondamentaux est-elle éligible à un financement OPCO ?
Oui, cette formation est éligible aux financements OPCO et FNE-Formation. Nos équipes vous accompagnent dans le montage de votre dossier.
Choisissez votre formation
Mon contact chez SPARKS est professionnel et très réactif. Les échanges sont simples, efficaces, et la collaboration se déroule dans d'excellentes conditions.