Data Science avec Python

Introduction à Python et aux librairies scientifiques de base

• Rappels sur le langage Python
  • distributions Python
  • notebooks
  • syntaxe du langage.
• Présentation des librairies générales de calcul scientifique : Numpy, Scipy, Matplotlib

Simulation des phénomènes aléatoires

• simulation de variables aléatoires indépendantes et approches markoviennes (algorithmes de Monte-Carlo par chaînes de Markov, recuit simulé, simulation d'une file d'attente, ...)
• Introduction de la librairie de calcul symbolique Sympy (application au calcul de paramètres de lois de probabilités, à l'optimisation sous contraintes,...)
• Un exemple d'utilisation des classes python : simulation et estimation pour les HMM.

Librairies Python pour le machine learning : Pandas et scikit-learn

• Application: traitement d'un jeu de données (clusterisation, régression).

Synthèse et conclusion