Éléments de programmation avancée avec les fonctions :
- Les fonctions anonymes
- Fonction dans une fonction
- Les décorateurs
- Comment se servir des décorateurs pour augmenter la vitesse d'exécution du code Python ?
Utilité et exemple d'application
Comment ça fonctionne ?
Choix d'une partie facultative selon la demande et le rythme d'avancement.
On complète cette première journée avec des éléments avancés de la librairie Pandas ou des points avancés du langage Python.
Comment aller au-delà des bibliothèques scientifiques de base que sont Matplotlib, Scipy et Numpy ?
Des exercices sur des data-sets permettent d'explorer quelques librairies scientifiques avancées de détection et de prédictions
Comment utiliser Python pour détecter des pattern fréquents et des motifs cachés dans des données bruitées de très grandes dimensions ?
- Recherche optimisée de séquences cibles dans une bibliothèque de séquences
- Classification de série temporelles
- Détection d'anomalies et prédictions
Exercice guidé : application sur des séries temporelles et des data-set réels et bruités
Panorama de librairies spécialisées
Comment appliquer les méthodes de prédictions bayésiennes avec Python ?
Aller plus loin. Pistes afin de réaliser des prédictions sur des données dynamiques (online prediction) ?
Panorama de quelques librairies qui permettent de combler l'écart entre Python et les langages compilés type C/C++
Comment accélérer le traitement de ses dataframes Pandas afin d'économiser plusieurs ordres de grandeur de temps de calcul ?
Quelles librairies pour déporter ses calculs sur carte graphique GPU sans modifier son code ?
Rappel et panorama des bibliothèques de visualisation (Matplotlib, Seaborn)
Comment aller au-delà des bibliothèques standard ?
Bref panorama de quelques bibliothèques avancées :
- graphiques sur des données de flux (streaming)
- graphiques interactifs
- graphiques sur des données massives (Big Data) difficilement représentables avec les outils standards
Comment représenter graphiquement les données de grandes dimensions ?
Méthodes avancées de projection pour les données de grandes dimensions