> Formations > Technologies numériques > Développement logiciel > Python > Formation Python, initiation au traitement de données économiques et scientifiques > Formations > Technologies numériques > Formation Python, initiation au traitement de données économiques et scientifiques

Formation : Python, initiation au traitement de données économiques et scientifiques

Débuter avec Python et ses librairies de calculs et d'analyses

Python, initiation au traitement de données économiques et scientifiques

Débuter avec Python et ses librairies de calculs et d'analyses
Télécharger au format pdf Partager cette formation par e-mail 2


Python est devenu en quelques années le principal langage de programmation pour tous les métiers liés aux calculs numériques et à l’analyse de données. Cette montée en puissance est devenue telle que plus aucune discipline scientifique ne semble pouvoir, ni même vouloir lui échapper. Alors lancez-vous avec Python !


Inter
Intra
Sur mesure

Cours pratique en présentiel ou en classe à distance

Réf. PYK
Prix : 1870 € H.T.
  3j - 21h00
Pauses-café et
déjeuners offerts




Python est devenu en quelques années le principal langage de programmation pour tous les métiers liés aux calculs numériques et à l’analyse de données. Cette montée en puissance est devenue telle que plus aucune discipline scientifique ne semble pouvoir, ni même vouloir lui échapper. Alors lancez-vous avec Python !

Objectifs pédagogiques
À l’issue de la formation, le participant sera en mesure de :
  • Savoir programmer avec le langage Python
  • Posséder une vue d’ensemble de l’écosystème scientifique de Python
  • Connaître les librairies scientifiques incontournables pour la science des données

Public concerné
Ingénieurs, développeurs, chercheurs, data scientists, data analysts et toute personne désireuse de se former à l'univers scientifique de Python.

Prérequis
Pratique d’un langage de programmation ou connaissance de l’algorithmique.

Programme de la formation

Initiation au langage Python

  • L'environnement de développement Python/Anaconda.
  • Les principaux types de données : chaînes, booléennes, nombres, listes, tuples et dictionnaires.
  • Les structures de contrôles : les boucles for et while, le test if/elif/else.
  • Les fonctions : création, passage de paramètres, valeurs par défaut, arguments variables.
  • Créer et utiliser des librairies.
  • Les principaux pièges de Python : types mutable et unmutable, affectation par référence/adresse.
Travaux pratiques
Manipulation de Python avec la distribution Anaconda, utilisation d’un IDE, petits exercices d’algorithmique pour prendre en main le langage. Manipulation de dates.

Compléments sur le langage

  • Comprendre la syntaxe orientée objet.
  • Savoir créer une classe : attributs de classe, d’instance, méthodes, fonctions spéciales.
  • Lecture et écriture de fichiers au format texte.
  • Utiliser les librairies standard : bases de données relationnelles et expressions régulières.
Travaux pratiques
Connexion à une base de données relationnelle et analyse de logs avec les expressions régulières, afin de créer un fichier CSV, pour son exploitation par les librairies scientifiques.

Présentation de l'écosystème Python scientifique

  • Panorama de l’écosystème scientifique de Python : les librairies incontournables.
  • Savoir où trouver de nouvelles librairies et juger de leur pérennité.
  • Les principaux outils et logiciels open source pour la data science.
  • Pourquoi utiliser une distribution scientifique comme Anaconda.
  • Comprendre l’intérêt d’un environnement virtuel et savoir l’utiliser.
  • L’interpréteur iPython et le serveur Jupyter.
  • Les bonnes pratiques pour bien démarrer son projet de data science avec Python.
  • Les formats de fichiers scientifiques et les librairies pour les manipuler.
Travaux pratiques
Mise en place de l’environnement de développement. Création d’un environnement virtuel, export et duplication d’un environnement, utiliser les notebooks Jupyter.

La SciPy Stack

  • Pandas : l’analyse de données tabulaires (CSV, Excel...), statistiques, pivots, filtres, recherche…
  • Matplotlib : la librairie de visualisation de données incontournable pour bien démarrer.
  • Le socle de librairies scientifiques incontournables sur lequel sont basées toutes les autres : la SciPy Stack.
  • Numpy : calcul numérique et algèbre linéaire (les vecteurs, matrices, images).
  • Scipy, basée sur Numpy pour : les statistiques, les analyses fonctionnelles et géospatiales, le traitement du signal...
Travaux pratiques
Traitement d’images avec Numpy. Premiers tracés. Analyses statistiques de fichiers CSV. Premiers éléments de cartographie. Transformées de Fourier.


Modalités pratiques
Exercice
De nombreux exercices sont réalisés pour illustrer les sujets.
Méthodes pédagogiques;
Pédagogie active, des démonstrations sont mises en œuvre par le formateur pour une mise en pratique plus rapide par les participants.

Modalités d'évaluation
Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques…
Le participant complète également un test de positionnement en amont et en aval pour valider les compétences acquises.

Solutions de financement
Pour trouver la meilleure solution de financement adaptée à votre situation : contactez votre conseiller formation.
Il vous aidera à choisir parmi les solutions suivantes :
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.
  • Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
  • Le dispositif FNE-Formation.
  • L’OPCO (opérateurs de compétences) de votre entreprise.
  • Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

Avis clients
4,6 / 5
Les avis clients sont issus des évaluations de fin de formation. La note est calculée à partir de l’ensemble des évaluations datant de moins de 12 mois. Seules celles avec un commentaire textuel sont affichées.
HADJ SGHAIER YOSRA B.
17/06/24
4 / 5

Support bien clair, Les exercices m’a permis de bien pratiquer et comprendre plus le support
CÉLIA L.
17/06/24
5 / 5

Formation très intéressante, correspondant aux attentes espérées. Peut être un peu dense pour valider l’acquisition des connaissances nombreuses. La formatrice est très pertinente et pédagogue, les qualités essentielles pour une bonne formation. Un ajout de 1 ou 2 jours à ce module pourrait rendre cette formation encore meilleure.Merci à notre formatrice pour l’implication et la patience qu’elle nous a accordé.
LESUR EDOUARD F.
04/03/24
4 / 5

Pédagogie : très bonne animation du groupe. Très bonne posture de la formatrice. Contenu: compte tenu du niveau initial des participants (prérequis demandés) et des objectifs pédagogiques annoncés, 3 jours ne permettent pas de balayer tout le programme envisagé. Il faudrait, ou bien passer sur 4 jours (idéalement 2x 2 jours), ou alors décliner le programme PYK en variantes plus spécialisées (PYK1: on fait Pandas et on ne mentionne que le reste de SciPy stack ; PYK2: idem avec NumPy; e




Horaires
En présentiel, les cours ont lieu de 9h à 12h30 et de 14h à 17h30.
Les participants sont accueillis à partir de 8h45. Les pauses et déjeuners sont offerts.
En classe à distance, la formation démarre à partir de 9h.
Pour les stages pratiques de 4 ou 5 jours, quelle que soit la modalité, les sessions se terminent à 15h30 le dernier jour.

Dates et lieux
Sélectionnez votre lieu ou optez pour la classe à distance puis choisissez votre date.
Classe à distance