[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-955866","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Data Camp\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          2\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemester:\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ELecture:\u003C\/span\u003E\n                                      \u003Cspan\u003E20\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003EPractical study :\u003C\/span\u003E\n                                      \u003Cspan\u003E10\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                                          \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EAnglais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EUne bonne conaissance de python et de l\u0027ecosystem de calcul sicentifique en python est requise (numpy, scipy, scikit-learn). Une connaissance des base de l\u0027apprentissage automatique et des algorithmes de classification est aussi necessaires.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EJour 1 : Pr\u00e9paration et manipulation des donn\u00e9es\u003C\/p\u003E\n\u003Cp\u003E* Introduction du workflow (VSCode, Python, git, GitHub, tests, \u2026)\u003Cbr\u003E\n* Cours avanc\u00e9 sur Pandas\u003Cbr\u003E\n* Exercices GitHub : NumPy et Pandas\u003C\/p\u003E\n\u003Cp\u003EJour 2 : Pipelines de ML et \u00e9valuation de mod\u00e8les\u003C\/p\u003E\n\u003Cp\u003E* Scikit-learn avanc\u00e9 : ColumnTransformer et pipelines\u003Cbr\u003E\n* Traitement parall\u00e8le avec joblib\u003Cbr\u003E\n* G\u00e9n\u00e9ralisation et validation crois\u00e9e\u003Cbr\u003E\n* Exercices sur scikit-learn\u003Cbr\u003E\n* Introduction \u00e0 Codalab et pr\u00e9sentation des challenges\u003C\/p\u003E\n\u003Cp\u003EJour 3 : M\u00e9triques et gestion des donn\u00e9es d\u00e9s\u00e9quilibr\u00e9es\u003C\/p\u003E\n\u003Cp\u003E* Pr\u00e9sentation des diff\u00e9rentes m\u00e9triques de ML\u003Cbr\u003E\n* Probl\u00e8mes li\u00e9s aux m\u00e9triques avec des donn\u00e9es d\u00e9s\u00e9quilibr\u00e9es\u003Cbr\u003E\n* Approches d\u2019apprentissage automatique pour traiter les jeux de donn\u00e9es d\u00e9s\u00e9quilibr\u00e9s\u003Cbr\u003E\n* Travail sur les challenges de donn\u00e9es\u003C\/p\u003E\n\u003Cp\u003EJour 4 : Donn\u00e9es complexes\u003C\/p\u003E\n\u003Cp\u003E* Feature engineering et encodage avanc\u00e9 des variables cat\u00e9gorielles\u003Cbr\u003E\n* Travailler sur des s\u00e9ries temporelles et du signal\u003Cbr\u003E\n* Inspection des mod\u00e8les : Partial Dependence Plots, Feature Importance\u003Cbr\u003E\n* Travailler sur un data challenge\u003C\/p\u003E\n\u003Cp\u003EJour 5 : M\u00e9thodes d\u2019ensemble et optimisation d\u2019hyperparam\u00e8tres\u003C\/p\u003E\n\u003Cp\u003E* Des arbres de d\u00e9cision au gradient boosting\u003Cbr\u003E\n* Profiling avec snakeviz\u003Cbr\u003E\n* Optimisation des hyperparam\u00e8tres\u003Cbr\u003E\n* Travailler sur un data challenge\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u0027objectif de ce cours est d\u0027apprendre la science des donn\u00e9es par la pratique. Tous les aspects de la r\u00e9alisation d\u0027un pipeline de science des donn\u00e9es seront abord\u00e9s, de l\u0027analyse exploratoire des donn\u00e9es (EDA) \u00e0 l\u0027ing\u00e9nierie des caract\u00e9ristiques, en passant par l\u0027optimisation des param\u00e8tres et les algorithmes d\u0027apprentissage avanc\u00e9s. Un focus important sera mis sur l\u0027evaluation de pipeline de datascience et la validation crois\u00e9e, ainsi que les outlis pour la metter en place de mani\u00e8re valide.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EOrganisation g\u00e9n\u00e9rale et modalit\u00e9s p\u00e9dagogiques\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u0027UE se tient sur une semaine, avec le matin et les d\u00e9buts d\u0027apr\u00e8s midi des cours magistraux sur les aspects pratiques de la datascience, et l\u0027apr\u00e8s midi des sessions pratique sur la programmation, l\u0027utilisation de git, la participation a un challenge ou la constitution d\u0027un challenge.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                                \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]