Les inscriptions sont closes
  • Fin d'inscription
  • Inscription close
  • Début du Cours
  • 06 jui 2017
  • Fin du cours
  • 01 aoû 2017
  • Effort estimé
  • 04:00 h/semaine
  • Langue
  • Français

À propos du cours

Le MOOC «Fondamentaux pour le big data» permet d'acquérir efficacement le niveau prérequis en informatique et en statistiques pour suivre des formations dans le domaine du big data et data science.

Le big data offre de nouvelles opportunités d’emplois au sein des entreprises et des administrations. De nombreuses formations préparant à ces opportunités de métiers existent. Le suivi de ces formations nécessite des connaissances de base en statistiques et en informatique que ce MOOC vous propose d’acquérir dans les domaines de l’analyse, algèbre, probabilités, statistiques, programmation Python et bases de données.

D’une part, les bases de données relationnelles ne sont pas toujours adaptées aux systèmes de données massives qui sont déployées dans les contextes big data ; ce MOOC vous explique pourquoi.

D’autre part, le langage Python est un langage très utilisé dans le domaine du traitement des masses de données. Ce cours vous initie à la programmation avec ce langage, particulièrement en utilisant la bibliothèque Numpy.

Enfin, le traitement des données massives et la prédiction nécessitent des analyses statistiques. Cette formation vous fournit les concepts élémentaires en statistiques tels que les variables aléatoires, le calcul différentiel, les fonctions convexes, les problèmes d'optimisation et les modèles de régression. Ces bases sont appliquées sur un algorithme de classification le Perceptron.

Format

Ce MOOC est organisé en 6 semaines, chaque partie se termine par un quiz validant les acquis des différentes sessions vidéos. Un quiz final faisant suite à un projet validera l’ensemble du MOOC.

Prérequis

Ce MOOC s'adresse à un public ayant des bases en mathématiques et en algorithmique (niveau L2 validé) nécessitant un rafraichissement de ces connaissances pour suivre des formations en data science et big data. Il peut être suivi en préparation du Mastère Spécialisé « Big data : Gestion et analyse des données massives », du Certificat d’Etudes Spécialisées « Data Scientist » et de la formation courte «Data Science : Introduction au Machine Learning».

Les enseignants (ou) Équipe pédagogique

Stéphan Clémençon

Professeur au département Traitement du Signal et de l'Image de Télécom ParisTech. Ses recherches portent sur la théorie statistique de l'apprentissage. Il a récemment encadré des projets de recherche nationaux théoriques et appliqués sur ce thème. Il est responsable du Mastère Spécialisé «Big data : Gestion et analyse des données massives» et du Certificat d’Etudes Spécialisées «Data Scientist».

Pierre Senellart

Professeur à l'École normale supérieure et responsable de l'équipe Valda d'Inria Paris, anciennement professeur à Télécom ParisTech. Ses intérêts de recherche portent sur les aspects pratiques et théoriques de la gestion de données du Web, en particulier le crawl et l'archivage du Web, l'extraction d'informations depuis le Web, la gestion de l'incertitude, la fouille du Web, et la gestion de données intensionnelles.

Anne Sabourin

Enseignant-chercheur au département Traitement du Signal et de l'Image de Télécom ParisTech. Ses recherches portent sur l'apprentissage statistique et les méthodes bayésiennes, en particulier pour l'analyse des valeurs extrêmes et la détection d'anomalies.

Joseph Salmon

Enseignant-chercheur au département Traitement du Signal et de l'Image de Télécom ParisTech. Il est spécialisé en traitement statistique des images et en apprentissage statistique. Ses recherches portent sur la création et l'étude d'algorithmes pour le traitement de données en grande dimension.

Alexandre Gramfort

Chercheur à l'INRIA. Ses recherches portent sur le traitement du signal, l'apprentissage statistique et le calcul scientifique avec pour application principale la modélisation et l'analyse de données en neurosciences. Il est un des principaux contributeurs du projet logiciel open source Scikit-Learn qui est la librairie standard pour l'apprentissage statistique en Python.

Ons Jelassi

Enseignante à la formation continue de Télécom ParisTech, responsable des formations Big Data. Elle est coordonnatrice de ce MOOC.

Plan du cours

Cette formation est précédée d’un quiz de validation de niveau. Elle est constituée de 7 parties et organisée en 6 semaines, chaque partie se termine par un quiz validant les acquis des différentes sessions vidéos. Un quiz final faisant suite à un projet validera l’ensemble du MOOC.

  • Semaine 0 : Introduction : Les enjeux du Big Data et de ce MOOC
  • Semaine 1 : Python Partie 1 / Algèbre Partie 1
  • Semaine 2 : Limites des bases de données relationnelles / Python Partie 2/ Algèbre Partie 2
  • Semaine 3 : Probabilités Partie 1/ Analyse Partie 1
  • Semaine 4 : Probabilités Partie 2/ Analyse Partie 2
  • Semaine 5 : Statistique
  • Semaine 6 : Le classifieur Perceptron

Lectures recommandées / MOOC recommandés

Évaluation

Chaque partie se termine par un quiz et la réponse au projet final se fait sous forme de quiz. La réussite de ces quiz avec 70% en global permet d’obtenir une attestation de suivi avec succès.

Conditions d'utilisation

Pour le cours

Licence Creative Commons BY NC ND: l'utilisateur doit mentionner le nom d'auteur, il peut exploiter l'oeuvre sauf dans un contexte commercial, il ne peut pas créer une oeuvre dérivée de l'oeuvre originale.

Pour le contenu produit par les internautes

Licence restrictive: votre production relève de votre proprieté intellectuelle et ne peut donc pas être réutilisée.