Formations Data IA Formation Analyse des Clusters (Partitionnement) avec Python

Formation Analyse des Clusters (Partitionnement de données) avec Python

Noté 0 sur 5
formation analyse des clusters avec python

Prix 3390€ HT / personne
Durée 4 jours ( 28 heures )

Paris | à distance | FNE

Il ne reste que quelques places
NewCafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Je ne veux pas me déplacer ? Option classe virtuelle gratuite

Présentation

La clusterisation est l’une des méthodes incontournables de l’analyse de données. En effet, regrouper ces données en groupes homogènes et distincts peut bénéficier de nombreux domaines comme la santé, le marketing ou encore la finance.

En marketing, la création de clusters (aussi appelé segments) permet de catégoriser chaque client. Cette catégorisation a un effet positif sur les performances de vos campagnes, car vos messages sponsorisés seront personnalisés pour votre groupe cible.

La clusterisation peut également être utile pour la détection de fraudes grâce à la reconnaissance visuelle. Ce système est intéressant, notamment pour la reconnaissance de signature dans le domaine de la cybersécurité ou en finance.

Afin de réaliser nos partitions de données, nous utiliserons l’un des langages de programmation les plus utilisés dans le monde, Python. Grâce à sa librairie scikit-learn, Python possède toutes les fonctions pour la création efficace de clusters de données.

Notre formation analyse des clusters vous initiera à la programmation sur python pour l’analyse de données, vous connaîtrez l’intérêt et les cas d’usage des méthodes de clusterisation. À la fin de ce cours, vous saurez créer des clusters ainsi que les analyser avec Python.

Comme toujours, notre formation s’appuiera sur la dernière version en date du langage, Python 3.10.

 

Objectifs

  • Utiliser Python pour l’analyse de données
  • Comprendre l’utilité de la clusterisation
  • Connaître les principaux types d’algorithmes de clusterisation
  • Savoir préparer ses données avec Python
  • Savoir représenter et analyser ses clusters

 

Public visé

  • Data Analyst
  • Data Scientist
  • Data Engineer
  • Machine learning engineer
  • Chef d’entreprise
  • Analyste
  • Chargé de marketing

 

Pré-requis

Connaissances en mathématiques générales (probabilités, statistiques…).

Programme de notre formation Analyse des Clusters de Données

 

Introduction

  • Qu’est-ce qu’un cluster ?
  • La différence entre clusterisation et segmentation
  • L’intérêt de l’analyse des clusters, les cas d’usage
  • Les limites et les défis de la clusterisation

 

Les différentes méthodes de partitionnement de données

  • K-means
  • Mean-Shift
  • Le DBSCAN (Regroupement spatial d’applications avec du bruit basé sur la densité)
  • Algorithme espérance maximisation avec ou sans des modèles de mélange Gaussien (GMM)
  • Regroupement hiérarchique

 

Présentation de Python

  • Pourquoi utiliser Python ?
  • Présentation de la librairie Scikit learn
  • Utiliser des fonctions de librairies
  • Gérer les modules et librairies

 

Commencer la programmation avec Python

  • La syntaxe de Python
  • Les variables
  • Les différents types d’ensembles de données
    • Tuple
    • Liste
    • Set
    • Dictionnaire
  • Les fonctions
  • Écrire ses propres fonctions

 

Bien préparer ses données avec Python

  • L’importance d’avoir des données intègres et préparées
  • Lire et modifier des fichiers CSV
  • Importer ses données
  • Nettoyer et préparer ses données
  • Formatage des données
  • Construire des pipelines de données

 

K-Means Clustering

  • Importer les modules sklearn
  • Importer ses données
  • Les paramètres
    • n_samples
    • centers
    • cluster_std
  • La fonction make_blobs()
  • Utiliser la standardisation
  • Utiliser la fonction KMeans
  • Les méthodes pour choisir le bon nombre de clusters
  • Représenter les clusters graphiquement

 

Mean-Shift

  • Importer MeanShift et make _blobs
  • Déterminer les centres du cluster
  • Représenter les données en 3D

 

DBSCAN

  • Importer ses données
  • Description des paramètres
  • Clusteriser ses données
  • Représenter ses regroupements de données graphiquement

 

Espérance-maximisation

  • Concaténer des courbes gaussiennes
  • Explication de l’algorithme d’espérance maximisation
  • Représenter graphiquement ses partitions de données

 

Regroupement hiérarchique

  • Préparer les données
  • Calculer les informations de similarité entre chaque donnée
  • Utiliser une fonction de liaison
  • Déterminer la coupure de l’arbre hiérarchique

 

Analyser ses résultats

  • Méthodes de validation des partitions
  • Évaluation de la mise en grappes
  • Améliorer ces clusters
  • Mise en grappe basée sur les contraintes
    • Mesures établies sur l’appariement
    • Mesures basées sur l’entropie
    • Mesures par paires
  • Mesures internes pour valider ses clusters
  • La stabilité des grappes

Pour aller plus loin

Formation Intelligence Artificielle

Formation TensorFlow

Formation Analyse de données avec Python

Langues et Lieux disponibles

Langues

  • Français
  • Anglais / English

Lieux

  • France entière
    • Paris
    • Lille
    • Reims
    • Lyon
    • Toulouse
    • Bordeaux
    • Montpellier
    • Nice
    • Sophia Antipolis
    • Marseille
    • Aix-en-Provence
    • Nantes
    • Rennes
    • Strasbourg
    • Grenoble
    • Dijon
    • Tours
    • Saint-Étienne
    • Toulon
    • Angers
  • Belgique
    • Bruxelles
    • Liège
  • Suisse
    • Genève
    • Zurich
    • Lausanne
  • Luxembourg

Témoignages

Afficher tous les témoignages

Noter la formation

Prix 3390€ HT / personne
Durée 4 jours ( 28 heures )

Paris | à distance | FNE

Il ne reste que quelques places
NewCafés et déjeuners offerts en interentreprises
Disponible en intra-entreprise pour former votre équipe
Je ne veux pas me déplacer ? Option classe virtuelle gratuite

UNE QUESTION ? UN PROJET ? UN AUDIT DE CODE / D'INFRASTRUCTURE ?

Pour vos besoins d’expertise que vous ne trouvez nulle part ailleurs, n’hésitez pas à nous contacter.

ILS SE SONT FORMÉS CHEZ NOUS

partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp
partenaire sncf
partenaire hp
partenaire allianz
partenaire sfr
partenaire engie
partenaire boursorama
partenaire invivo
partenaire orange
partenaire psa
partenaire bnp