En 9 semaines intensives, apprenez la Data Science de Python au Machine Learning, développez toutes les compétences pour rejoindre une équipe data et accélérez votre carrière.
Notre formation Data Science vous donne les compétences nécessaires pour lancer votre carrière dans une équipe Data. Des fondamentaux de Pandas aux modèles avancés de Deep Learning, vous apprendrez à explorer, nettoyer, transformer des données pour les rendre actionnables et à implémenter des modèles de machine learning de A à Z en production, en travaillant en équipe avec les meilleurs outils.
Notre formation est conçue pour vous faire apprendre la Data Science étape par étape, depuis la boîte à outils du data scientist en Python jusqu'à l'implémentation complète d'un modèle de Machine Learning en production.
Notre formation Data Science est très intense. Pour gagner du temps et démarrer dans les meilleures conditions, nos étudiants complètent un travail préparatoire en ligne avant de commencer la formation. Ce travail prend environ 40 heures et enseigne les bases du langage Python, pré-requis pour cette formation, ainsi que quelques notions clef en mathématiques utilisées tous les jours par les data scientists.
Apprenez à programmer en Python en utilisant Jupyter Notebook et des librairies puissantes comme Pandas et NumPy pour explorer de gros jeux de données. Collectez vos données depuis différentes sources, dont des fichiers CSV, des requêtes SQL, Google Big Query, ou encore en utilisant une API ou le Web scraping.
Apprenez à formuler une question pertinente et à y répondre en construisant la bonne requête SQL. Ce module couvre l'architecture de base de données et vous apprend les manipulations avancées du SELECT pour extraire de l'information utile en se connectant directement à une base de données ou via un client SQL comme DBeaver.
Rendez vos analyses de données plus parlantes en intégrant des visualisations de données à vos Notebooks. Apprenez à tracer des graphes à partir de vos data frames grâce à des librairies Python comme matplotlib ou seaborn pour rendre vos données plus actionnables.
Comprenez les concepts mathématiques qui sont derrière les librairies et les modèles que vous utilisez tout au long du bootcamp. Maîtrisez les notions de base en probabillités et en statistiques (moyenne, variance, variable aléatoire, théorème de Bayes, etc.) et en calcul matriciel, au coeur des opérations exécutées par les librairies Pandas et NumPy.
Explorez, nettoyez et préparez vos jeux de données grâce aux techniques de preprocessing comme la vectorisation. Familiarisez-vous avec les modèles classiques de l'apprentissage supervisé - les régressions linéaires et logistiques. Travaillez sur des tâches de prédiction et de classification avec la librairie scikit-learn en utilisant des algorithmes comme les KNN (k-nearest neighbors).
Assurez-vous que votre modèle peut se généraliser à de nouvelles données et être mis en production avec une exactitude prédictible, en mettant en place des phases d'entraînement et de test. Apprenez à éviter l'overfitting avec des méthodes de régularisation et à améliorer la finesse de votre modèle en choisissant la bonne fonction de coût à minimiser.
Evaluez votre modèle en définissant ce que vous voulez optimiser et les bonnes métriques d'erreur en fonction de votre problématique business. Améliorez la performance de votre modèle avec des méthodes de validation comme la cross validation ou l'hyperparameter tuning. Ajoutez une nouvelle méthode à votre boite à outils : SVM (Support Vector Machines).
Passez à l'apprentissage non supervisé avec des méthodes comme la PCA (analyse en composante principale) pour faire de la réduction de dimension ou le clustering pour découvrir des groupes dans un jeu de données. Complétez vos connaissances avec les méthodes ensemblistes, qui combinent plusieurs modèles pour améliorer la performance, comme Random Forest ou Gradient Boosting.
Passez de Jupyter Notebook à un éditeur de code et apprenez à configurer un projet de code de machine learning pour itérer rapidement en toute confiance. Découvrez comment mettre en place une pipeline robuste et scalable avec sklearn-pipeline en utilisant des encoders et des transformers.
Pour implémenter un modèle de machine learning, il faut passer par de nombreuses étapes de préparation, d'expérimentation, d'itération et de réglage. On vous apprendra à mettre en place votre feature engineering et votre hyperparameter tuning pour construire le meilleur modèle. Pour ça, vous utiliserez la libraire MLflow.
Finalement, déployez votre code et votre modèle en production ! En utilisant Google Cloud AI Platform et Airflow, vous serez capable d'entraîner vos modèles à l'échelle, de les packager, les mettre en ligne, et les rendre disponible à tous.
Apprenez à gérer des données de grande dimension. Découvrez les techniques classiques de preprocessing d'images comme la normalisation, la standardisation et le whitening. Choisissez la bonne technique d'encodage de texte en fonction des tâches de NLP (Natural Language Processing) que vous voulez accomplir.
Comprenez l'architecture classique des réseaux de neurones (neurones, couches, sous-groupes) et leurs paramètres (fonction d'activation, fonction de coût, optimizer). Devenez autonome et construisez vos propres réseaux comme des Réseaux de Neurones Convolutifs (pour les images), Récurrents (pour les séries temporelles) et des Réseaux de Natural Language Processing (pour du texte).
Découvrez une nouvelle librairie appelée keras, qui est une sur-couche de tensorflow, la libraire de Deep Learning créée par Google, plus simple à utiliser pour les développeurs. Nous vous enseignerons les techniques fondamentales pour construire vos premiers modèles de Deep Learning avec keras.
Approfondissez vos compétences en computer vision grâce au Deep Learning en construisant des réseaux de neurones pour de la détection ou de la reconnaissance d'objets. Découvrez des techniques avancées comme l'augmentation de données pour augmenter la taille de votre jeu de données d'entraînement en générant des perturbations sur vos images pour améliorer ensuite la généralisation de votre modèle.
Il est temps de s'attaquer à un problème de la vraie vie : "en tant que data scientist qui travaille pour une grande société e-commerce, comment puis-je mettre en place des recommandations pour améliorer la performance de notre site ?". Vous apprendrez à structurer votre projet de code en Python avec une architecture orientée-objet pour collaborer plus efficacement, à gérer la phase de préparation sur un jeu de données de très grande taille, à trouver et interpréter vos premiers résultats statistiques avant de mettre en place des prédictions avancées, et vous devrez ensuite expliquer vos résultat à un public de non-experts en utilisant une analyse coûts/profits. Vous travaillerez en groupe de 3-4 pour partager vos résultats, les comparer et les présenter.
Après ce premier projet e-commerce d'une semaine, vous passerez les deux semaines suivantes sur un projet de groupe en choisissant vous-même le problème de data science que vous souhaitez résoudre. Vous utiliserez un mélange de vos propres données (si vous voulez utiliser des données de votre entreprise ou association) et de données en open data (initiatives publiques, Kaggle... etc). Un excellent moyen de mettre en pratique les outils, techniques et méthodologies de la formation Data Science, qui vous fera prendre conscience de l'autonomie que vous avez acquise.
Des cours du matin aux talks du soir, chaque journée est intense.
Prenez un café et commencez chaque journée avec un cours dynamique et interactif, où vous pourrez poser toutes vos questions avant de mettre ce que vous avez appris en pratique.
Retrouvez votre “buddy” du jour et travaillez sur une série de challenges de code, accompagné par nos professeurs et professeurs assistants.
Apprendre à coder peut être très intense. Nos séances de yoga permettent de se détendre et remettre ses idées en place.
Revoyez les challenges du jour et ayez un aperçu des cours à venir pendant les sessions de live code.
Inspirez-vous des histoires et conseils d’entrepreneurs à succès invités lors de nos talks et ateliers exclusifs.
Notre formation Data Science n'est que le début de votre parcours. Une fois diplômés, vous appartenez à une communauté tech internationale et avez accès à notre plateforme en ligne pour continuer à apprendre et progresser.
Recevez des conseils d'alumni devenus Data Scientist ou Data Analyst, accédez à des opportunités d'emploi et missions freelance par des entrepreneurs et développeurs.
Accédez à notre plateforme éducative en ligne à n'importe quel moment après la formation : vous trouverez tous les cours, exercices et flashcards de Data Science.
Bénéficiez de notre communauté globale de 6881 alumni qui travaillent dans des métiers de la data, mais aussi des entrepreneurs, développeurs et product managers.
Nos différentes formations sont suivies dans 38 campus à travers le monde : partout où vous allez, vous appartenez à la communauté du Wagon !
Une fois la formation terminée, vous bénéficiez de notre service Carrières. Nous vous aidons à rencontrer les meilleures entreprises et alumni les plus pertinents.
Accédez à un guide complet pour lancer votre carrière en Data Science après la formation : soignez votre portfolio, utilisez notre réseau, trouvez l'emploi de vos rêves.
Participez à nos job fairs et événements de networking, rencontrez les meilleures entreprises tech qui cherchent à recruter des talents en data.
Les alumni de notre formation Data Science aiment raconter comment ils sont devenus Data Scientist, Data Analyst ou Data Engineer avec de nouveaux alumni.
Nos équipes locales connaissent leurs alumni et entreprises partenaires, ce qu'ils font et recherchent. Ils vous mettent en relation avec les bonnes personnes.
Les meilleures entreprises s'associent avec Le Wagon et recrutent nos alumni en tant que Data Scientist, Data Analyst ou Data Engineer.
A recruté 6 alumni
A recruté 1 alumni
A recruté 3 alumni
A recruté 9 alumni
A recruté 4 alumni
A recruté 1 alumni
Nous vous aiderons à choisir l'option la plus adaptée à Bruxelles.
Un congé de formation rémunéré est disponible pour la Région flamande.
Check your eligibility here
Les travailleurs du secteur privé et les contractuels des entreprises publiques autonomes ont droit à des congés rémunérés pour suivre des formations pendant ou en dehors des heures de travail.
Check your eligibility here
En Wallonie, nous sommes certifiés pour les Chèques création d'entreprise qui peuvent couvrir jusqu'à 80% des frais de scolarité si votre projet consiste à vous installer en tant qu'entreprise ou à créer une nouvelle activité dans votre entreprise.
Check your eligibility here
En Flandre, nous sommes certifiés pour le KMO Portefeuille. En fonction de votre activité principale, vous pouvez bénéficier d'un financement de 30 à 40 %.
Check your eligibility here
