1. Bootcamp de préparation
Lorsque vous serez officiellement inscrit, Blent.ai vous donnera accès à 30h de cours pour que vous puissiez apprendre les bases en Python, en statistiques, à la manipulation de données et à la Data Visualization. Cette phase de préparation est disponible dès votre inscription à la formation, et vous pourrez poser toutes vos questions à leur équipe de professeurs sur Slack.
Ce que vous allez apprendre dans cette phase :
- Utiliser la syntaxe du langage Python et son utilisation avancée sur des Jupyter Notebooks.
- Comprendre les outils statistiques et les appliquer sur des situations concrètes.
- Charger et manipuler des fichiers de données de différents formats (JSON, CSV) sous forme de DataFrames.
- Faire de la Data Visualization avec les librairies matplotlib et seaborn.
2. Collecte et exploration de données
Lors de cette phase, vous apprendrez à utiliser des outils statistiques et les techniques de Data Visualisation avancées afin d’apporter de la connaissance sur les données étudiées.
Vous passerez également en revue les différentes techniques de nettoyage et de retraitement des données nécessaires à l'implémentation des algorithmes lors de la phase de modélisation.
Ce que vous allez apprendre dans cette phase :
- Utiliser scipy pour les calculs statistiques et seaborn pour une Data Visualization avancée.
- Approfondir la librairie pandas pour le nettoyage et la transformation des données.
- Manipuler des séries temporelles et appliquer des traitements spécifiques.
3. Création de modèles
Vous implémenterez plusieurs modèles de Machine Learning et de Deep Learning permettant de répondre à la problématique, à l'aide d'algorithmes d'apprentissage performants. Vous verrez également comment évaluer les performances des modèles et comment les optimiser pour obtenir les meilleurs scores.
Vous allez mettre l'accent sur la partie interprétation car il est essentiel de comprendre le fonctionnement d'un modèle afin de l'utiliser de manière optimale.
Ce que vous allez apprendre dans cette phase :
- Utiliser Scikit-Learn et XGBoost pour construire des modèles linéaires, des arbres de décision et de l'Ensemble Learning.
- Construire des méthodes de recherches pour l'optimisation des hyper-paramètres.
- Mettre en place une validation croisée de modèles et l'interprétabilité avec les valeurs de Shapley.
4. Déployer son modèle sur le Cloud
Un projet Data Science ne s’arrête pas à la modélisation. Celui-ci doit être accessible sur le Cloud afin de le rendre accessible et scalable.
C’est pourquoi Blent.ai réserve une dernière phase afin de déployer vous même un modèle en ligne sur un serveur Web, qui sera accessible depuis n’importe quel ordinateur ou application mobile.
Ce que vous allez apprendre dans cette phase :
- Utiliser Git pour gérer des projets de code source à plusieurs et maintenir un code source.
- Déployer une API contenant un modèle avec Flask sur Heroku.
