Teach on Udemy

Turn what you know into an opportunity and reach millions around the world.

Learn More

Your cart is empty.

Keep shopping

Python pour la Data Science et le Machine Learning en 4h

Name: Python pour la Data Science et le Machine Learning en 4h
Rating: 4.3 (87 reviews)

Maîtriser Python pour la Data Science, le Machine Learning et l'IA en partant de zéro en seulement 4 heures.

Created byMikail Altundas

Last updated 3/2026

French

What you'll learn

Acquérir des compétences solides en Python pour la Data Science et le Machine Learning, sans prérequis nécessaires.
Réaliser des projets à la hauteur de ceux menés dans les entreprises ou les universités, en utilisant Python.
Recevoir un certificat à la fin de la formation, attestant de votre compétence en Python.
Écrire un code de qualité professionnelle en adoptant les meilleures pratiques de codage.
Réussir ses examens, certifications et tests techniques avec Python pour la Data Science.
Maîtriser les concepts essentiels pour devenir un Data Scientist / Machine Learning Engineer.
Installer Python, Anaconda, Spyder et Jupyter Notebook sans aucun bug.
Éviter les pièges de débutants en Python, Data Science et Machine Learning.
Maîtriser la programmation Python comme un Data Scientist / Machine Learning Engineer expérimenté.
Être capable de mener des missions de Data Science et de Machine Learning en tant que freelance, en utilisant Python.
Découvrir les bibliothèques Python les plus utilisées dans le domaine de la Data Science comme Pandas, Scikit-Learn, NumPy, Matplotlib, Seaborn, SciPy, etc.
Acquérir les compétences nécessaires pour travailler avec des entreprises qui utilisent Python (Amazon, Intel, Google, Meta, Netflix, Renault, Orange, etc.).

Course content

7 sections • 41 lectures • 4h 5m total length

Présentation : Apprendre la Data Science avec Python en 4 heures de A à Z1:57
Bonjour à toutes et à tous, bienvenue dans ce cours consacré à l’apprentissage de la Data Science et du Machine Learning sur Python. Cette formation est destinée à un apprentissage éclair de Python pour que dès la fin de ce cours, vous puissiez être opérationnel sur Python et réaliser vos propres projets d'analyse de données de façon indépendante.
Ce cours sera dédié à un apprentissage de Python par la pratique, c’est-à-dire qu’on fera ensemble tout un projet de data science de A à Z pour que vous puissiez au mieux assimiler l'analyse de données sur Python sans aucun prérequis.
Parce-que oui, pour suivre ce cours, vous n’aurez pas du tout besoin d’avoir de connaissances préalables en programmation sur Python ou même en informatique général. Nous allons tout voir ensemble de A à Z, c’est-à-dire de l’installation de Python sur votre ordinateur, jusqu’à à l’écriture de nos premiers algorithmes de data science. Vous pourrez donc suivre la formation pas à pas, tranquillement depuis chez vous. On avancera ensemble progressivement.
Pour vous parler un peu de moi, j’ai moi-même été étudiant en data science, j’ai une très grande expérience sur Python et aujourd’hui il s’agit de l’un des langages de programmation que je maîtrise le mieux.
Dans cette formation, je vais synthétiser un maximum mes connaissances pour que vous puissiez devenir expérimenté avec ce langage de programmation avec un projet réel. Le projet que nous allons faire ensemble est en effet un projet qu’on pourrait parfaitement avoir en entreprise ou même pendant ses études universitaires. Vous verrez qu’à la fin de cette formation, vous pourrez reprendre les programmes que nous aurons écrit et les analyses que nous aurons faites pour les refaire dans d’autres projets.
On se concentrera donc beaucoup sur la pratique, et on assimilera la théorie au fur et à mesure qu’on avancera ensemble. De cette façon, on travaillera vous et moi, la main à la pâte, ce qui représente selon moi, la meilleure façon d'apprendre.
Installation de Anaconda, Spyder et Jupyter Notebook6:16
Nous allons voir comment télécharger Anaconda. Il s’agit d’une distribution du langage Python qui va nous permettre d’avoir Python directement sur notre ordinateur. Anaconda a l'avantage d’installer en même temps que Python un grand nombre de librairies qui vont venir compléter le langage de programmation.
De plus, nous allons voir comment utiliser Spyder et Jupyter Notebook.
Lien pour télécharger Anaconda, Spyder et Jupyter Notebook0:02
Lien pour télécharger Anaconda sur son ordinateur.
Présentation de l'interface de développement Python2:58
Nous allons découvrir dans cette vidéo les différentes fenêtres de Spyder.
Spyder est un environnement très simple à prendre en main et qui se rapproche des environnements qui existent déjà (notamment RStudio pour le langage de programmation R).
Présentation du projet de Data Science et Machine Learning avec Python5:13
Parlons un peu du projet que l’on va réaliser tout au long de cette formation et qui va nous permettre d’apprendre la Data Science avec Python.
Le thème du projet va être axé sur la médecine, et plus particulièrement sur les maladies cardiovasculaires. On va en effet utiliser les données d’une clinique médicale de cardiologie.
Bien entendu, vous n’aurez absolument pas besoin d’avoir de connaissances en maladies cardiovasculaires ou en médecine générale. On s’occupera simplement d’analyser les données de manière large, et de sorte à ce qu’on puisse ensuite être capable de reproduire les mêmes analyses dans un autre domaine comme l’industrie, l’assurance, ou encore la finance.
Dans ce projet, on va se concentrer sur l’analyse de données médicales, mais vous pourrez bien entendu reproduire ces analyses dans n’importe quel autre domaine.
Le but final de ce projet va être de prédire des maladies cardiovasculaires chez des patients. C’est-à-dire qu’avec un certain nombre de données comme l’âge, le sexe ou encore le taux de cholestérol, on va essayer de prédire si tel ou tel patient risque d’avoir une maladie cardiovasculaire. Ce sont des projets qui se font réellement dans les hôpitaux. La prédiction des maladies cardiovasculaires est en effet considérée comme un sujet crucial pour les analystes de données dans le domaine médical, parce-que les données disponibles peuvent aider à prendre des décisions sur tel ou tel traitement pour éviter une maladie.

Importation des données avec Python et bonnes pratiques avec Pandas9:49
Importation des données depuis le répertoire UCI Machine Learning sur Python depuis un fichier .csv.
Importation des données depuis le répertoire UCI Machine Learning sur Python directement à partir du site, sans avoir besoin de télécharger les données préalablement.
Code pour importer les données sur Python avec Pandas0:11
Pour vous faciliter la tâche, voici le code pour importer directement les données. Vous pouvez copier-coller la ligne de code sur votre éditeur de code.
Modification des noms sur les tableaux de données8:02
Renommer le nom des colonnes d'un tableau de données sur Python avec la librairie Pandas.
Traitement des valeurs manquantes (très important !)6:24
Vérification de la présence de valeurs manquantes dans le jeu de données, et traitement de celles-ci.
Il est indispensable de traiter les valeurs manquantes avant de procéder aux analyses statistiques.
Recodage des données18:22
Il existe de nombreux types de variables sur Python : str, int, float, bool et bien d'autres. Nous allons voir dans cette session comment recoder correctement les variables.
Avant de continuer...0:18
Est-ce que le cours vous plaît ? Si c'est le cas, n'hésitez pas à lui attribuer une note.
Télécharger le code Python0:08
Télécharger le code Python du projet à ce stade de la formation.
Le fichier est au format .py, il peut ainsi être exécuté directement en l'ouvrant sur votre éditeur de code.

Obtenir les effectifs, les fréquences et les pourcentages9:21
Calcul des effectifs, des fréquences et des pourcentages sur Python. Ce sont les principaux indicateurs statistiques que l'on calcule pour les variables qualitatives.
Créer des tableaux statistiques12:46
Automatisation du calcul des effectifs, des fréquences et des pourcentages sous forme de tableaux statistiques.
Moyenne, écart-type, médiane, quartiles, minimum et maximum9:51
Calcul de la moyenne, de la médiane, du minimum, du maximum, des quartiles et de l'écart-type d'une série de données. Les statistiques indispensables pour les variables quantitatives.
Télécharger le code Python0:07
Télécharger le code Python du projet à ce stade de la formation.
Le fichier est au format .py, il peut ainsi être exécuté directement en l'ouvrant sur votre éditeur de code.

Créer un diagramme à barres (seaborn countplot)17:08
Le diagramme à barres est le graphique idéal pour représenter une variable qualitative. Nous allons voir dans cette session comment en créer une à l'aide des librairies Matplotlib et Seaborn.
Automatiser les diagrammes à barres avec une fonction Python10:18
Automatiser la création des diagrammes à barres à l'aide d'une fonction.
Créer un histogramme pour les variables quantitatives (seaborn histplot)13:47
L'histogramme est le graphique idéal pour représenter une variable quantitative. Nous allons voir dans cette session comment en créer une à l'aide des librairies Matplotlib et Seaborn.
Graphiques croisés : comparer deux variables qualitatives11:37
Croiser deux variables pour voir si celles-ci sont liées est une tâche courante des Data Scientist et des statisticiens. Nous allons voir dans cette vidéo comment croiser deux variables qualitatives.
Graphiques croisés : comparer une variable quantitative avec une qualitative6:09
Après avoir vu comment croiser deux variables qualitatives, nous allons voir dans cette session comment croiser deux variables quantitatives.
Télécharger le code Python0:08
Télécharger le code Python du projet à ce stade de la formation.
Le fichier est au format .py, il peut ainsi être exécuté directement en l'ouvrant sur votre éditeur de code.

Qu'est-ce qu'un test d'hypothèse / test statistique ?4:13
Un test statistique, aussi appelé test d’hypothèses, est une procédure permettant de confronter deux hypothèses statistiques au sein d’une étude, et de déterminer l’hypothèse la plus probable et la moins probable.
Analyse bivariée de deux variables qualitatives6:57
Croiser deux variables qualitatives pour avoir une idée de leur liaison avec Python. On verra notamment si les hommes sont plus susceptibles de développer une maladie cardiaque que les femmes à l'aide de nos analyses avec le langage de programmation.
Analyse bivariée d'une variable quantitative avec une variable qualitative3:52
Pour tester les variables quantitatives, nous allons d'abord calculer des moyennes conditionnelles pour vérifier l'existence d'une potentielle association entre les variables quantitatives.
Avant de continuer...0:20
Tout va bien ?
Test du Khi-Deux d'indépendance pour analyser la relation des variables11:27
Le test du Khi-Deux d'indépendance va nous permettre de déterminer si deux variables qualitatives sont liées. Autrement dit, le test nous permettra d'affirmer si une variable qualitative a une influence significative sur une autre variable qualitative.
Pour appliquer le test, nous allons utiliser la fonction chi2_contingency de la librairie SciPy.
Test de Shapiro-Wilk pour analyser la normalité des variables8:24
Le test de Shapiro-Wilk nous permet de déterminer si une variable suit une distribution normale. Il s'agit d'une étape indispensable avant de tester l'indépendance d'une variable quantitative. Nous expliquerons dans cette vidéo qu'est-ce qu'une distribution normale, puis comment appliquer le test de Shapiro-Wilk sur Python à l'aide de la fonction shapiro de la librairie SciPy.
Test de Mann-Whitney pour analyser la relation des variables non-paramétriques8:36
Le test de Mann-Whitney nous permet de déterminer si une variable catégorielle et une variable quantitative sont liées dans le cas où les deux variables ne suivent pas une distribution normale. Nous allons voir comment appliquer ce test sur Python en utilisant la fonction mannwhitneyu de la librairie SciPy.
Test de Student pour analyser la relation des variables paramétriques6:39
Le test de Student nous permet de déterminer si deux variables quantitatives sont liées dans le cas où les deux variables suivent une distribution normale. Nous allons voir comment appliquer ce test en utilisant la fonction ttest_ind de la librairie SciPy.
Télécharger le code Python0:08
Télécharger le code Python du projet à ce stade de la formation.
Le fichier est au format .py, il peut ainsi être exécuté directement en l'ouvrant sur votre éditeur de code.

Introduction : Régression logistique1:31
Introduction à la mise en place d'un algorithme de Machine Learning pour réaliser des prédictions : la régression logistique.
Transformation des données en variables binaires6:21
Transformation des variables qualitatives/catégorielles en variables binaires.
Répartir les données en données d'entraînement et de test11:23
Un modèle peut être efficace sur les données qui ont servi à le construire, mais il peut à l’inverse, s’avérer inefficace sur des données nouvelles.
Par conséquent, nous allons procéder à une étape de prétraitement qui consiste à diviser le jeu de données en deux pour entraîner puis tester notre modèle. Le jeu de données d’entraînement (train) va nous permettre de préparer notre modèle de régression logistique afin de prédire correctement les valeurs prises par la variable cible target. Le jeu de données de test (test) va quant à lui nous permettre de tester notre modèle de Machine Learning pour déterminer si celui-ci est suffisamment pertinent pour prédire les valeurs de la variable d’intérêt.
Créer le modèle de Machine Learning3:49
Création du modèle de Machine Learning en utilisant la fonction LogisticRegression de la librairie Scikit-Learn.
Faire des prédictions à l'aide du Machine Learning8:06
Réalisation de prédictions en utilisant l'algorithme de Machine Learning.
Evaluer les performances du modèle avec une matrice de confusion4:20
La matrice de confusion est une excellente méthode pour mesurer les performances d’un modèle. Cette matrice permet de mesurer à quelle fréquence les prédictions d’un modèle sont exactes par rapport à la réalité. Les prédictions correctes et incorrectes sont plus facilement apparentes et sont réparties par classes.
Analyse ROC des prédictions réalisées5:48
La courbe ROC est un outil d’évaluation de modèles comparant le taux de vrais positifs avec le taux de faux positifs. Il s’agit d’un bon moyen visuel de mesurer la performance d’un modèle. Plus l’aire sous la courbe se rapproche de 1, plus cela indique que le modèle est précis. A l’inverse, plus l’aire se rapproche de la diagonale à 45 degrés, moins le modèle est précis.
Nous allons donc appliquer cette courbe aux résultats de notre algorithme de Machine Learning afin d'analyser les performances de celui-ci.
Télécharger le code Python final0:06
Télécharger le code Python du projet à ce stade de la formation.
Le fichier est au format .py, il peut ainsi être exécuté directement en l'ouvrant sur votre éditeur de code.

Fin du cours : merci de votre attention !2:42
Félicitations, vous venez de terminer le cours pour apprendre à la Data Science avec Python en 4 heures de A à Z !
A présent, vous savez comment appréhender des problèmes de Data Science et de Machine Learning avec Python. N'hésitez pas à continuer de vous entraîner sur d'autres jeux de données en appliquant les mêmes procédures que l'on a vu au cours de la formation. De nombreux jeux de données sont disponibles sur Internet ;)
Mes autres cours Udemy0:17

Requirements

Aucun prérequis n'est nécessaire pour suivre ce cours, nous verrons tout ensemble de A à Z.

Description

Programmer en Python pour la Data Science, le Machine Learning, la DataViz et l'Intelligence Artificielle

Ce cours a pour objectif de vous initier à la programmation en Python en lien avec les concepts essentiels du Big Data (Data Science, Machine Learning, IA, etc.). Il ne requiert aucun prérequis et vous permet d'atteindre un niveau solide en seulement 4 heures de formation.

Acquérir des bases solides

Plus besoin de partir à la chasse aux informations sur Google, l'essentiel de votre apprentissage est concentré dans ce cours.

Gagner du temps

Ce cours est conçu pour vous familiariser avec la Data Science et Python de manière rapide et efficace. Vous pourrez ainsi atteindre un niveau solide en seulement 4 heures de cours.

Une formation qui va à votre rythme

Les concepts sont présentés progressivement, à travers des exemples concrets issus de projets d'entreprises et d'universités, vous permettant d'appliquer ce que vous avez appris.

Cours récent et régulièrement mis à jour

Mis à jour récemment, ce cours est en adéquation avec les compétences actuellement recherchées par les entreprises.

Éviter les pièges de débutants

Ce cours détaille les bonnes pratiques d'un Data Scientist expérimenté pour rédiger un code de qualité professionnelle.

Préparation réussie pour vos examens, certifications et tests techniques sur Python

Les exercices inclus dans ce cours constituent un excellent moyen de préparation pour vos examens, certifications et tests techniques en entreprise.

Travailler pour les plus grandes entreprises

Des entreprises prestigieuses telles qu'Intel, Google, Netflix, Spotify, Meta, mais aussi Renault, la SNCF, Orange, Total, Capgemini, sont actuellement à la recherche de Data Scientists expérimentés maîtrisant Python.

Se former à des métiers actuellement recherchés

Aujourd'hui, la demande en Data Scientists, Data Engineers et autres professions liées au Big Data est élevée. C'est donc le moment idéal pour se former à ces métiers en forte demande.

Obtenir un certificat de fin de formation

Un certificat attestant que vous avez suivi et complété le cours vous sera remis à l'issue de la formation.

Who this course is for:

Personnes qui n'ont pas ou peu d'expérience en programmation et qui cherchent à apprendre Python et la Data Science en partant de zéro.
Personnes qui visent à travailler pour les plus grandes entreprises qui utilisent Python (Intel, Google, Meta, Netflix, Renault, Orange, Total, Thales, Dassault Aviation, Capgemini...).
Personnes qui souhaitent candidater pour des offres d'emploi ou des missions freelance qui nécessitent la maîtrise de Python.

Python pour la Data Science et le Machine Learning en 4h

What you'll learn

Explore related topics

Course content

Démarrer avec Python : Apprendre à programmer en Python en partant de zéro5 lectures • 16min

Traitement des données et manipulations avec Pandas7 lectures • 43min

Statistiques pour l'analyse de données4 lectures • 32min

Visualisation avancée des données, graphiques avec Matplotlib et Seaborn6 lectures • 59min

Tests d'hypothèses (ou tests statistiques) avec SciPy9 lectures • 51min

Machine Learning : Faire des prédictions avec Scikit-Learn8 lectures • 41min

Conclusion, conseils et remerciements2 lectures • 3min

Requirements

Description

Who this course is for: