Les bases de Python et structures de données Python

• Comprendre les concepts fondamentaux de Python​
• Maîtriser les principales structures de données en Python​
• Développer des compétences pratiques à travers des projets

1. Introduction à Python​

• Historique et applications de Python​
• Installation de Python et des IDE (comme VS Code, PyCharm)​
• Premiers pas avec Python : syntaxe de base, variables, et types de données​

2. Structures de contrôle​

• Conditions (if, else, elif)​
• Boucles (for, while)​

3. Fonctions​

• Définition et appel de fonctions​
• Paramètres et valeurs de retour​
• Fonctions intégrées et création de fonctions personnalisées​

4. Manipulation de chaînes de caractères​

• Opérations de base sur les chaînes
• Méthodes de chaînes​
• Formatage des chaînes

5. Structures de données en Python (listes)​

• Création et manipulation de listes​
• Méthodes de listes (ajout, suppression, tri)​
• Compréhension de listes​

6. Tuples et ensembles​

• Différences entre listes et tuples​
• Utilisation des tuples​
• Création et manipulation des ensembles​

7. Dictionnaires​

• Création et manipulation de dictionnaires​
• Méthodes de dictionnaires​
• Applications pratiques des dictionnaires​

8. Projets pratiques​

• Projet 1 : Analyse de texte (compter les mots, trouver les mots les plus fréquents)​
• Projet 2 : Gestion d’une liste de contacts (ajouter, supprimer, rechercher des contacts)

9. Projets pratiques​

• Projet 1 : Analyse de texte (compter les mots, trouver les mots les plus fréquents)​
• Projet 2 : Gestion d’une liste de contacts (ajouter, supprimer, rechercher des contacts)​

10. Qu’est-ce qu’une librairie ?​

• Définition et rôle des librairies.​
• Différence entre une librairie standard et une librairie tierce.​

11. Gestion des packages​

• Introduction à pip (outil de gestion de packages).​
• Installation et mise à jour de librairies.​
• Création d’environnements virtuels.

12. Exemple de librairies​

• NumPy : Opérations numériques, tableaux multidimensionnels (calculs mathématiques, traitements d’images.​
• Pandas : Prépare les modélisation, explorateurs de données.​
• Matplotlib : explorateurs de données.​
• Seaborn : Création de visualisation complexes.​

13. Cas pratique​

• Charger un jeu de données (CSV, Excel, etc.) à l’aide de Pandas.​
• Nettoyer et transformer les données.​
• Effectuer une analyse exploratoire (statistiques descriptives, visualisations).​
• Entraîner un modèle de machine learning pour prédire une variable cible.

La pédagogie Ia Sens s’articule autour d’une approche concrète et collaborative pour permettre aux apprenants de maitriser les enjeux opérationnels et stratégiques de leur métier :

• Un expert IA et une équipe pédagogique au coté de l’apprenant pour l’accompagner toute au long de sa formation.
• Alternance de partages d’expertises, d’échanges et de mises en pratique grâce à de nombreux exercices individuels ou collectifs.
• Etudes de cas et cas pratiques rythment cette formation.
• Un support de formation présentant l’essentiel des apprentissages et intégrant des éléments d’approfondissement.

Les apprenants ont un QCM à remplir à la fin de chaque atelier, venant valider l’atteinte des objectifs définis en amont de la formation et donnant lieu à la remise d’un certificat Learns.

• Un intervenant Expert et reconnu
• Des formations 100% dédiées à l’IA
• Un cadre inspirant et propice aux échanges
• L’opportunité de se créer un réseau et de devenir un Alumni IA sens
• La remise d’un certificat IA sens