Walid Benbouta

Introduction to Data Science et les Différents Rôles
Qu'est-ce que la Data Science ? Histoire et applications.
Différenciation des métiers : Data Scientist, Data Analyst, Data Engineer, MLOps.
Introduction to Python : Expertiser le Langage
* Syntaxe de base, structures de données (listes, dictionnaires, sets, tuples).
* Bonnes pratiques : écriture de code propre (PEP8), gestion des environnements (conda, venv).
Module 1 : Manipulation & Exploration des Données
Data Manipulation with Pandas
* Maîtrise des structures Series et DataFrame.
* Indexation, sélection et filtrage avancé (.loc, .iloc

* Joining in Python
* Techniques de combinaison de données : merge, join, concat.
* Cas pratiques sur la gestion des clés et des types de jointures (inner, outer, left, right).
* Data Visualisation : Matplotlib and Seaborn
* Fondamentaux de Matplotlib pour créer des graphiques personnalisables.
* Visualisation statistique avancée avec Seaborn (distributions, relations, catégories).
* Principes de design efficace : choix des graphiques, couleurs, lisibilité.
* Categorical Data
* Traitement des variables qualitatives : encodage (One-Hot, Label), gestion des ordres.
* Exploratory Data Analysis (EDA) in Python
* Méthodologie systématique : analyse univariée, bivariée, multivariée.
* Mise en pratique avec une étude de cas complète style "ADC/ACM".
* Détection des patterns, des corrélations et des insights métier.
* Cleaning Data
Module 2 : Analyse Avancée & Séries Temporelles
Statistics & Maths and Python Implementation
* Rappels statistiques cruciaux : distributions, tests d'hypothèses, intervalles de confiance.
Dates and Time Series
* Manipulation des dates et heures avec datetime et Pandas.
* Concepts des séries temporelles : tendance, saisonnalité, stationnarité.
Module 3 : Machine Learning Non-Supervisé
* Unsupervised Learning
Module 4 : Machine Learning Supervisé & Optimisation
* Supervised Learning - Fondements
* Arbres de Décision & Ensembles
* Model Tuning
* Techniques de recherche d'hyperparamètres : Grid Search, Random Search.
* Méthodologie robuste pour évaluer les performances et sélectionner le meilleur modèle.
Comment vont se dérouler mes cours ?
Pédagogie par la Pratique (Learning by Doing)
Support de Cours Structuré
Exercices et Challenges Réguliers
Projet Fil Rouge
Objectif Final : Vous rendre autonome et opérationnel pour mener un projet de Data Science complet, de l'exploration des données à la mise en production d'un modèle de Machine Learning performant et bien réglé.