2190€

Net de taxes

Niveau Perfectionnement

Durée 14 heures

Format Présentiel

Déjeuner

Inclus

Réf 1586

Besoin de réaliser cette formation directement au sein de votre entreprise, sans modification ni personnalisation du programme ?

Réf 1586

Ce programme peut être la fondation idéale pour créer une formation sur-mesure, parfaitement adaptée à vos besoins spécifiques et à votre environnement professionnel.

Réf 1586

Nous contacter
01 44 53 75 75

Python for Data & Machine Learning

En deux jours, cette formation vous plonge dans l’univers de Python, l’outil incontournable des data analysts et quants. Vous apprendrez à manipuler et visualiser vos données financières, à automatiser vos analyses, puis à expérimenter les premières techniques de machine learning appliquées à la finance.

2190€

Net de taxes

Niveau Perfectionnement

Durée 14 heures

Format Présentiel

Déjeuner

Inclus

Réf 1586

Besoin de réaliser cette formation directement au sein de votre entreprise, sans modification ni personnalisation du programme ?

Réf 1586

Ce programme peut être la fondation idéale pour créer une formation sur-mesure, parfaitement adaptée à vos besoins spécifiques et à votre environnement professionnel.

Réf 1586

Objectifs /
Compétences

Programme

Pour qui ?

Objectifs | Compétences

Identifier et manipuler les types de données fondamentaux en Python
Élaborer des fonctions simples et appliquer les structures de contrôle (conditions, boucles)
Utiliser les bibliothèques Python de base pour l'analyse et la visualisation
Appliquer les bases de Numpy pour le calcul scientifique
Exploiter les fonctionnalités de Pandas pour manipuler et analyser des données
Mettre en pratique les acquis à travers des exercices de programmation appliqués
Mettre en œuvre des modèles de machine learning supervisés et non supervisés avec **Scikit-Learn**.
Évaluer et ajuster les modèles de régression, de classification et d’arbres de décision.

Programme

Python pour la Data et l’Analyse

Introduction à Python et à Google Colab
• Présentation de l’environnement Google Colab
• Variables, opérations mathématiques et affichage
• Types de données : listes, tuples, dictionnaires, booléens, chaînes de caractères
• Indexation et slicing
Fonctions et structures de contrôle
Création de fonctions simples
• Gestion des variables (scope global et local)
• Conditions : if / else
• Boucles : for, while, enumerate, zip
• Importation et utilisation de librairies Python
• Visualisation de base avec Matplotlib
NumPy et Pandas pour l’analyse de données
• Manipulation de tableaux et calculs vectorisés avec NumPy
• Chargement et exploration de données avec Pandas
• Nettoyage et transformation de jeux de données
• Importation de datasets en ligne (Kaggle, UCI ML Repository)

Practical work

Exercice 1 : Construire un gradient descent OLS (application pratique sur un petit dataset)
Exercice 2 : Implémenter “Conway’s Game of Life” avec NumPy
Exercice 3 : Analyse textuelle des scripts de la série “The Office” avec Pandas

Introduction au Machine Learning avec Scikit-Learn

Introduction au Machine Learning
• Concepts clés : apprentissage supervisé et non supervisé
• Types d’algorithmes : régression, classification, clustering
• Introduction aux réseaux de neurones et aux enjeux éthiques
Régression linéaire avec Scikit-Learn
(Dataset : House Prices)
• Importation et préparation des données
• Data wrangling et exploratory data analysis
• Entraînement du modèle et prédictions
• Validation croisée (train/test split, k-fold)
• Sélection de variables : SelectKBest, RFE
• Lasso, Ridge et Elastic Net regression (régularisation et hyperparamètres)
Régression logistique (datasets : Pima Indians Diabetes, Iris)
• Importation et nettoyage des données
• Ajustement et test du modèle
• Visualisation des frontières de décision (boundary plots)
• Classification multinomiale avec Logistic Regressor
Arbres de décision et forêts aléatoires (datasets : House Prices, Titanic)
• Construction d’un pipeline Scikit-Learn
• Arbres de classification et de régression
• Analyse de performance et visualisation
• Réduction de dimension par PCA
• Ajustement des hyperparamètres avec Grid Search

Practical work

Exercice 4 : Prévoir le prix d’un actif financier à partir de données
Exercice 5 : Entraînement d’un modèle de régression logistique + interprétation des coefficients
Exercice 6 : Analyse prédcitive (Comparaison des performances entre un arbre de décision et une forêt aléatoire - Utilisation de la PCA pour visualiser les clusters)

Pour qui ?

Analystes financiers, contrôleurs de gestion, business analysts
Risk analysts / risk managers
Portfolio managers, quantitative analysts
Data analysts / data scientists juniors
Équipes middle-office ou reporting souhaitant automatiser des traitements de données

Pédagogie – Évaluation

Alternance d’exposés courts, de démonstrations et d’exercices pratiques.
Études de cas appliquées à la finance (datasets : *House Prices*, *Titanic*, *Pima Diabetes*, etc.).
Accompagnement pas à pas dans la mise en œuvre de scripts Python.
Support de cours et notebooks fournis à chaque participant.
Evaluations par études de cas et quiz

Pré-requis

Connaissance de base des notions de programmation (variables, boucles, conditions).
Familiarité avec les outils bureautiques et les données chiffrées (Excel, CSV).
Culture financière de base : savoir lire un tableau de données ou des indicateurs de performance.

Qualité & Certification

Adapté aux personnes en situation de handicap

Besoin d'être recontacté(e) ?

*Mentions obligatoires

En soumettant ce formulaire, je reconnais avoir pris connaissance de la politique de traitement des données personnelles de First Finance.*

+900 clients nous font confiance

Python for Data & Machine Learning

Objectifs | Compétences

Programme

Practical work

Practical work

Pour qui ?

Pédagogie – Évaluation

Pré-requis

Qualité & Certification

Adapté aux personnes en situation de handicap

Besoin d'être recontacté(e) ?

Vous souhaitez un devis personnalisé ?

Information

Vos coordonnées