Data Science

John Samuel
CPE Lyon

Année: 2024-2025
Courriel: john.samuel@cpe.fr

Enseignant-Chercheur, Conception Logicielle et Big Data, CPE Lyon,
Intérêts et thèmes de recherche : Représentation de connaissances, le web sémantique, les services web, l'intégration de données, l'entrepôt de données, les systèmes distribués, système d'information géographique
Cours : Programmation en C, Algorithmes en C, Data Mining et Machine Learning, Intelligence Artificielle et Deep Learning, Systèmes d'exploitation et Programmation Concurrente, Langages Web
Thèse : Intégration des données issues de services web

Cours/TP	Dates
1	14 mars
2	21 mars
3	28 mars
4	4 avril
5	11 avril
6	18 avril
7	25 mai

Cours/TP	Dates
1	14 mars
2	21 mars
3	28 mars
4	4 avril
5	11 avril
6	18 avril
7	25 avril

Dates	Sujets
1.	Panorama du numérique Usine 4.0 Codage des données en chimie Acquisition et stockage de données
2.	Analyse et visualisation de données Data Mining et Big Data Base de données non-relationnelle Apprentissage machine
3.	Système de recommandation Intelligence artificielle Base de données ouvertes

Travaux pratiques

Language de programmation: Python
Système d'exploitation: Linux
Editeur: Jupyter
Programmation en binôme
Compte-rendu de travail: Notebook Jupyter

Evaluation

40% Travaux pratiques
60% Devoir surveillé

Cours:

Interactifs
Les questions: chaque 20-30 mins

Travaux pratiques

3 travaux pratiques
Programmation en binôme
Soumission en ligne

Devoir surveillé (DS): 60%

Examen: En-ligne sur E-campus
Durée: 2 heures
Total: 20 points
Documents: autorisés
Types de documents autorisés: tous les documents autorisés
Calculatrices : non autorisées
Utilisation de l'internet : non autorisée
Dépôt supplémentaire : disponible pour les fichiers personnels

Vous recevrez un courrier détaillé avant l'examen

Cours	Dates
Cours 1	14 mars
Cours 2	21 mars
Cours 3	11 avril
cours 4	25 avril

Travaux pratiques	Dates
TP 1	21 mars
TP 2	11 avril
TP 3	25 avril

Travaux pratiques

Exploration approfondie de Jupyter, une plateforme interactive prisée pour l'analyse de données. Création de notebooks interactifs, intégration de code et de visualisations pour une analyse interactive des données.
Expérience pratique avec des jeux de données ouvertes, permettant une compréhension concrète des enjeux liés au traitement de données. Application de techniques avancées pour extraire des insights significatifs à partir de données hétérogènes.

Soumission: Travaux pratiques

TP	Points
TP 1	✅ (6 points)
TP 2	✅ (7 points)
TP 3	✅ (7 points)

Travaux pratiques

Chaque TP comporte plusieurs exercices. Chaque exercice est accompagné d'une indication de niveau de difficulté :

★: Facile
★★: Difficulté moyenne
★★★: Difficile

Liste de contrôle

Avant de déposer vos TPs, vérifiez si vous respectez la liste de contrôle suivante:

✅ Les noms complets (prénom et noms) de la binôme sont correctement inclus dans le fichier CONTRIBUTORS.md.

✅ Le fichier README.md est rempli de manière exhaustive et conforme aux instructions fournies.

✅ Vous avez respecté les noms de fichiers tels que spécifiés dans chaque exercice des travaux pratiques.

✅ Votre code est accompagné de commentaires appropriés pour expliquer la logique et la fonctionnalité.

✅ Votre code peut être exécuté sans générer d'erreurs, et dans la mesure du possible, sans générer d'avertissements.

⚠ Pas de fichiers Python (*.py)

Modèle de code

Vous pouvez consulter https://github.com/johnsamuelwrites/DataScience en ligne
ou le cloner sur votre machine à l'aide du terminal en utilisant les commandes suivantes.


                	           $ git clone https://github.com/johnsamuelwrites/DataScience

          $ cd DataScience; ls

Et pour les dernières modifications:


                	                 	  $ git pull

Travaux pratiques: Notebooks Jupyter

Lorsque vous créez un nouveau notebook (onglet "New"), vous aurez la possibilité de choisir parmi plusieurs kernels.
Assurez-vous de sélectionner le kernel "Python 3" ou "Python 3+" pour ce TP.

Travaux pratiques: Notebooks Jupyter

Découpage structuré : Divisez le code en cellules, facilitant la compréhension, la modification, et le débogage par étapes.
Interactivité : Exécutez du code Python directement dans le notebook, permettant une exploration interactive des données.
Avantages - Communication complète : Combine explications, visualisations, et code dans un seul document, facilitant la compréhension et le partage avec d'autres.

Travaux pratiques: notebook Jupyter

Explorer l'utilisation de la bibliothèque scikit-learn pour la mise en œuvre de tâches d'apprentissage machine à l'aide de jeux de données intégrés.

Travaux pratiques: Visualisation et notebook Jupyter

Travaux pratiques: Visualisation et notebook Jupyter

Travaux pratiques: Wikidata (Open Data)

Data Science

John SAMUEL

Data Science

Data Science

Data Science

Data Science

Travaux pratiques

Evaluation

Data Science

Cours:

Travaux pratiques

Data Science

Devoir surveillé (DS): 60%

Data Science

Data Science

Data Science

Travaux pratiques

Data Science

Soumission: Travaux pratiques

Data Science

Travaux pratiques

Data Science

Liste de contrôle

Data Science

Modèle de code

Data Science

Travaux pratiques: Notebooks Jupyter

Data Science: Notebooks Jupyter

Travaux pratiques: Notebooks Jupyter

Data Science: Notebooks Jupyter

Travaux pratiques: notebook Jupyter

Data Science: Notebooks Jupyter

Travaux pratiques: Visualisation et notebook Jupyter

Data Science: Notebooks Jupyter

Travaux pratiques: Visualisation et notebook Jupyter

Data Science

Travaux pratiques: Wikidata (Open Data)

Références

Sites web

Couleurs

Images