[{"data":1,"prerenderedAt":46},["ShallowReactive",2],{"course-data-science-concepts-de-base-et-mise-en-pratique":3,"highlight-Python-import pandas as pd\n":45},{"id":4,"name":5,"slug":6,"location":7,"targetAudienceFormatMarkdown":8,"prerequisitesFormatMarkdown":9,"objectivesFormatMarkdown":10,"descriptionFormatMarkdown":11,"teachingMethodsFormatMarkdown":12,"teachingResourcesFormatMarkdown":13,"evaluationMethodsFormatMarkdown":14,"accessibilityFormatMarkdown":15,"accessMethodsFormatMarkdown":16,"minimumParticipants":17,"maximumParticipants":17,"duration":18,"reference":19,"trainerType":7,"updated_at":20,"created_at":21,"price":22,"organizationMode":7,"theme":23,"code":27,"tags":32,"metadata":36},"/api/courses/9d60be65-7fe7-40b5-a0b6-b31dda07e3d4","Data Science – Concepts de base et mise en pratique ","data-science-concepts-de-base-et-mise-en-pratique",null,"Toute personne souhaitant comprendre les fondamentaux de la Data Science. \n\nAnalystes, ingénieurs, chefs de projet ou décideurs impliqués dans des projets de données. \n\nDéveloppeurs ou techniciens souhaitant intégrer des compétences en science des données.","-   Connaissances de base en informatique et manipulation de données. \n-   Maîtrise de l’utilisation d’un tableur ou d’un langage de programmation simple est un plus (facultatif). \n-   Une première approche des statistiques descriptives est un atout. ","-   Comprendre les enjeux et le rôle de la Data Science dans les organisations. \n-   Connaître les étapes clés d’un projet de data Science. \n-   Manipuler des données pour les explorer et les préparer. \n-   Appliquer les principales techniques d’analyse et de modélisation statistique. \n-   Produire des visualisations pertinentes pour interpréter des résultats. ","--day1--\n\n## Introduction à la Data Science \n\n-   Présentation de la discipline : définitions, enjeux, domaines d’application. \n-   Panorama du cycle de vie des données et d’un projet Data Science. \n-   Sources de données, types de données et formats courants. \n-   Rappels de statistiques descriptives essentielles. \n-   Atelier pratique : exploration d’un jeu de données simple. \n\n--break--\n\n## Préparation et exploration des données \n\n-   Importation et nettoyage des données. \n-   Gestion des valeurs manquantes, des doublons et des formats incohérents. \n-   Analyse exploratoire : statistiques élémentaires, distributions, corrélations. \n-   Visualisations de base pour l’interprétation des tendances. \n-   Exercices dirigés : préparation et analyse d’un dataset réel. \n\n--day2--\n\n## Modélisation et techniques analytiques \n\n-   Introduction aux méthodes de régression linéaire simple. \n-   Classification basique et compréhension des modèles supervisés. \n-   Évaluation des modèles : erreurs, validation croisée et métriques principales. \n-   Mise en pratique : construction et évaluation d’un modèle simple. \n\n--break--\n\n## Visualisation et communication des résultats \n\n-   Techniques de visualisation avancées pour raconter les données. \n-   Choisir les bons graphiques selon les objectifs d’analyse. \n-   Synthèse des résultats et production de rapports clairs. \n-   Cas pratique complet : de la donnée brute à la visualisation finale. \n-   Bilan de la formation et recommandations pour aller plus loin.","Nos formations, équilibrées entre théorie (50%) et pratique (50%), offrent un apprentissage interactif grâce à des méthodes variées comme les travaux pratiques, les mises en situation et les démonstrations. Des QCM réguliers assurent le suivi des acquis.\n\nVariables suivant les formations, les moyens techniques mis en oeuvre sont :\n\nOrdinateurs Mac ou PC, connexion internet fibre, tableau blanc ou écran (pour le distanciel).\n\nEn cas de formation intra sur site externe à Le Code, le client s'assure et s'engage également à avoir toutes les ressources matérielles pédagogiques nécessaires\n\n(équipements informatiques...) au bon déroulement de l'action de formation visée conformément aux prérequis indiqués dans le programme de formation communiqué","Les supports pédagogiques sont remis aux stagiaires sous format numérique et/ou papier selon les modalités de la formation.\n\n  \n\nIls comprennent des supports de cours, des présentations, des fiches pratiques, des études de cas, des exercices applicatifs ainsi que des QCM d’entraînement selon la formation. (adapté au choix du formateur)\n\n  \n\nLes formations s’appuient sur des moyens techniques adaptés : ordinateurs, logiciels professionnels, connexion internet, écran ou vidéoprojecteur, ainsi que des outils collaboratifs et de visioconférence pour les formations à distance.\n\n  \n\nL’ensemble des supports pédagogiques est accessible pendant et après la formation afin de favoriser l’appropriation et la mise en pratique des compétences acquises.","En amont de la formation, un recueil des besoins permet de récolter des informations sur le stagiaire et ses attentes. L’évaluation se fait en cours de formation, par des études de cas ou des travaux pratiques. En fin de formation, par un questionnaire d’auto-évaluation et/ou un examen.\n\nUn suivi de qualité est effectué grâce à nos sessions en groupe restreint (entre 2 et 9 participants maximum). Le stagiaire émargera par demi-journée et recevra une attestation de formation.","Nous informons l'ensemble de nos clients et stagiaires que nous sommes dans la capacité d’adapter les sessions selon les handicaps et les situations spécifiques. Nous nous engageons à répondre à toutes vos demandes sous un délai de 48h\n\nouvré.","Si l’une de nos formations vous intéresse, contactez-nous au +33 4 93 65 34 24 ou à l’adresse mail contact@m2g-intellect.fr. Selon votre besoin et vos attentes, nous organiserons un échange téléphonique avec le formateur pressenti afin d’adapter la\n\nformation et ses modules, puis nous vous adresserons un devis.\n\nLes dates de la formation seront à convenir sous 30 jours maximum.",0,"14.00","data science","2026-04-28T13:10:56+00:00","2026-04-28T13:04:11+00:00","1600.00",{"id":24,"name":25,"slug":26},"/api/themes/1bfd6e41-c2b0-4813-a29b-c9e1c486b5d0","Intelligence Artificielle","intelligence-artificielle",{"id":28,"label":29,"domain":30},"/api/training_specialities/163","326 - Informatique, traitement de l’information, réseaux de transmission des données",{"label":31},"32 - Communication et information",[33],{"id":34,"name":35},"7732139d-6025-4fde-b145-39298ced3408","MENUFEATURED",{"desc-accroche":37,"Description":38,"icon-color":39,"icon-name":40,"code-langage":41,"code-snippet":42,"courte-description":43,"titre-accroche":44},"Initiez-vous à l'art de transformer les données en décisions : maîtrisez l'analyse exploratoire, les bases du Machine Learning avec Scikit-Learn, et la manipulation de données avec Pandas et NumPy.","La Data Science est aujourd'hui un levier stratégique majeur pour l'innovation en entreprise. Cette formation d'initiation vous guide à travers le cycle de vie complet d'un projet de données : de la collecte et du nettoyage (data cleaning) à la modélisation statistique. Vous apprendrez à utiliser l'écosystème Python pour explorer des jeux de données, visualiser des tendances et implémenter des algorithmes d'apprentissage supervisé et non supervisé. L'objectif est de vous donner une compréhension concrète des concepts mathématiques sous-jacents tout en privilégiant une approche pratique sur des cas d'usage réels.","#0277BD","mdi:database-search","Python","import pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\n\n# Chargement et préparation rapide\ndf = pd.read_csv('data.csv')\nX = df[['feature1', 'feature2']]\ny = df['target']\n\nmodel = LinearRegression()\nmodel.fit(X, y)\npredictions = model.predict(X_new)","Découvrez les fondamentaux de la Data Science : apprenez à manipuler, analyser et modéliser vos données avec Python pour créer des solutions prédictives.","Plongez au cœur de la Data Science pour extraire de la valeur de vos données et construire vos premiers modèles prédictifs.","\u003Cpre class=\"hljs\">\u003Ccode class=\"language-python\">\u003Cspan class=\"hljs-keyword\">import\u003C/span> pandas \u003Cspan class=\"hljs-keyword\">as\u003C/span> pd\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.model_selection \u003Cspan class=\"hljs-keyword\">import\u003C/span> train_test_split\n\u003Cspan class=\"hljs-keyword\">from\u003C/span> sklearn.linear_model \u003Cspan class=\"hljs-keyword\">import\u003C/span> LinearRegression\n\n\u003Cspan class=\"hljs-comment\"># Chargement et préparation rapide\u003C/span>\ndf = pd.read_csv(\u003Cspan class=\"hljs-string\">'data.csv'\u003C/span>)\nX = df[[\u003Cspan class=\"hljs-string\">'feature1'\u003C/span>, \u003Cspan class=\"hljs-string\">'feature2'\u003C/span>]]\ny = df[\u003Cspan class=\"hljs-string\">'target'\u003C/span>]\n\nmodel = LinearRegression()\nmodel.fit(X, y)\npredictions = model.predict(X_new)\u003C/code>\u003C/pre>",1781121856375]