Data Mining & Machine Learning

JOUR 1 : L’Écosystème Data 2026 & Python Scientifique Panorama de la Data Science : Différences entre Data Mining, ML, Deep Learning et IA Générative. Environnement de travail : Jupyter Lab, Google Colab et gestion des environnements virtuels. La pile scientifique Python : * NumPy : Calcul matriciel et manipulation de Tensors. Pandas : DataFrames, indexation et agrégation de données complexes. Atelier : Audit et exploration d’un jeu de données hétérogène (Logs système ou données transactionnelles). JOUR 2 : Data Wrangling & Feature Engineering Qualité de la donnée : Gestion des valeurs manquantes, des doublons et des aberrations (Outliers). Ingénierie des caractéristiques : Encodage des variables, normalisation, discrétisation. Sélection de variables : Identifier les signaux les plus pertinents pour le modèle. Atelier : Construction d’un pipeline de nettoyage automatisé et reproductible. JOUR 3 : Apprentissage Supervisé : Prédiction & Classification Algorithmes de Classification : Arbres de décision, Random Forest, SVM. Algorithmes de Régression : Prédire des valeurs numériques continues. Optimisation : Recherche d’hyper-paramètres (GridSearch, Optuna) pour maximiser les performances. Atelier : Création d’un moteur de scoring pour la détection de risques. JOUR 4 : Apprentissage Non-Supervisé & Détection d’Anomalies Clustering : K-Means, DBSCAN (regrouper des données similaires). Réduction de dimension : PCA (Analyse en Composantes Principales) pour visualiser les menaces. Algorithmes de détection d’anomalies : Isolation Forest, Local Outlier Factor. Atelier : Analyse d’un flux réseau pour isoler des comportements atypiques (Signaux faibles). JOUR 5 : Évaluation, MLOps & Éthique de l’IA Métriques de performance : Matrice de confusion, Courbe ROC, Précision vs Rappel. Introduction au MLOps : Cycle de vie du modèle, versioning (DVC) et monitoring de la dérive (Drift). Biais et Éthique : Détecter les biais algorithmiques et assurer la gouvernance des données. Projet Final « Anomaly Hunt » : Challenge de synthèse intégrant l’ensemble du pipeline, du nettoyage à la détection finale d’anomalies. Evaluation et fin de session La session se clôture par une épreuve de validation des acquis (QCM post-TP) réalisée en environnement réel.La réussite de cet examen permet l’obtention de votre badge de certification DNDA. Profil Formateur : Tristan P cybersécurité et expert Python. Spécialiste du scripting sécurisé, il possède une maîtrise avancée de l’automatisation des processus au sein d’infrastructures critiques.Il apporte une vision « SecOps » indispensable à travers une expertise pratique éprouvée dans les environnements applicatifs et industriels (OT) de grande envergure. Autres formations complémentaires Pour construire votre parcours d’expertise, dndagency vous suggère les modules suivants : Module 2 : Data Mining & Machine Learning avec Python Module 3 : Deep Learning & LLM Ops (Large Language Models Operations) Module 4 : Encrypted Traffic Analytics (ETA) Module 5 : Python pour l’Automatisation (Scripting expert) Profil Formateur : Alban.V Le module est animé par Alban V., praticien-formateur confirmé et Expert Data Scientist. Ingénieur spécialisé en intelligence artificielle, il met à profit sa solide expérience dans le déploiement de modèles prédictifs et sa maîtrise des architectures de données complexes. Son expertise pratique est éprouvée au sein d’environnements de haute précision et de systèmes industriels (OT), garantissant la mise en œuvre de modèles robustes et exploitables sur le terrain.