Prochaines formations

Partie I : Présentation générale

1. Le calcul scientifique et utilisation de Python
2. Les distributions Python pour les DataScientists (WinPython, Python Anywahere, Python (x,y), EnthoughtCanopy, Anaconda)
3. Exemples d’outils de développement

Partie II : Bases du Python scientifique

4. La Scipy Stack : présentation
5. Numpy : la bibliothèque Python de calcul numérique (algèbre linéaire) permettant de manipuler des vecteurs et matrices à plusieurs dimensions
6. Pandas : la libraire d’analyse avec efficace de structures de données complexes
7. Matplotlib : la librairie de tracé et de visualisation de données (dessiner tout type de représentations, 2D comme 3D)
8. Gestion des erreurs numériques : comprendre les problèmes d’erreurs numériques dans le calcul scientifique

Partie III : Usages avancés

Maitrise de Numpy et Pandas, ainsi que les bibliothèques Scipy et Scikit Image

1. Numpy 
2. Pandas
3. Scipy et Scikit Image

Partie IV : Visualisation de données

Les principales librairies de visualisation disponibles pour Python

1. Seaborn
2. Altaïr
3. Visualisation de données cartographiques
4. Applications Open Sources pour la visualisation de larges jeux de données

Partie V : Parallélisme

5. La parallélisation
6. Multi-Threading
7. Multi-processing

Partie VI : Machine Learning

Initiation aux bases du Machine Learning à travers des exercices concrets. Utilisation des implémentations mises à disposition par la bibliothèque Scikit-Learn.

1. L’apprentissage automatique
2. Traitement des données
3. Algorithmes par apprentissage automatique