Data engineer

Première phase : Préparation des données Module 1 : Introduction 1.1 : Récupérer les données et regarder leur structure Module 2 : Exploration des données 2.1 : Construire des graphiques pour comprendre les données 2.2 : Étudier les séries temporelles pour en déduire le comportement des prix Module 3 : Nettoyage et encodage des données 3.1 : Nettoyer les données en modifiant les valeurs manquantes et supprimant les valeurs aberrantes 3.2 : Encoder numériquement les variables pour l'apprentissage des modèles Seconde phase : Modélisation Module 4 : Introduction à la modélisation 4.1 : Comprendre les concepts fondamentaux de l'apprentissage supervisé 4.2 : Savoir appliquer un modèle de Machine Learning avec le modèle linéaire Module 5 : Arbres de décisions 5.1 : Découvrir les arbres de décision et l'algorithme CART 5.2 : Appliquer un arbre de régression sur les données Airbnb Module 6 : Random Forest 6.1 : Découvrir les Random Forest 6.2 : Optimiser les hyper-paramètres des modèles Module 7 : XGBoost 7.1 : Découvrir le modèle XGBoost et le Gradient Boosting 7.2 : Valider des modèles par des méthodes de validation croisée Module 8 : Interprétabilité 8.1 : Comprendre l'intérêt de l'interprétabilité avec les PDP 8.2 : Utiliser SHAP pour interpréter localement les modèles Module 9 : Deep Learning 9.1 : Introduire les modèles de Deep Learning avec les réseaux de neurones Troisième phase : Déploiement Module 10 : Data Engineering 10.1 : Comprendre Spark et sa différence avec Hadoop 10.2 : Comprendre l'architecture Map Reduce sur un algorithme Module 11 : Déploiement de modèles 11.1 : Se rappeler des notions réseaux et de Cloud Computing 11.2 : Être capable de déployer le modèle avec Heroku