Ce module s’intéresse aux enjeux, appli­ca­tions et tech­no­lo­gies de la smart city et au déve­lop­pe­ment de ser­vices inno­vants basés sur l’exploitation des don­nées numé­riques urbaines avec les tech­niques d’apprentissage auto­ma­tique (machine lear­ning) et les outils de science des don­nées autour du lan­gage Python.

Dates : consul­ter le docu­ment calen­drier et tarifs ;

Durée : 4 jours (2×2 jours) ; 28 heures ;

Lieu : Paris, Compiègne ;

Tarif : consul­ter le docu­ment calen­drier et tarifs ;

Pré­re­quis : bases en pro­gram­ma­tion, de pré­fé­rence en Python ; Anglais B1 ;

Réfé­rence pro­duit : TERCO1. 

Objectifs

• Com­prendre les enjeux de la ville intel­li­gente et le poten­tiel de la science des don­nées pour déve­lop­per de nou­veaux ser­vices dans tous les domaines urbains (éner­gie, trans­port, eau …) ;
• Com­prendre les grands prin­cipes de l’apprentissage auto­ma­tique (machine lear­ning) et les dif­fé­rentes étapes et tech­niques inter­ve­nant dans une étude de valo­ri­sa­tion de la donnée ;
• Apprendre en par­ti­cu­lier les tech­niques et outils d’analyse des séries tem­po­relles issues des réseaux de cap­teurs (IoT urbain) ;
• Connaître les prin­ci­paux outils autour du lan­gage Python et com­prendre leurs prin­cipes de fonc­tion­ne­ment et d’utilisation ;
• Prendre en main une pla­te­forme en ligne de for­ma­tion à la science des don­nées en Python (cours, exer­cices, pro­jets, outils de déve­lop­pe­ment) – Pro­gramme adap­té au niveau et aux prio­ri­tés du participant ;
• Com­prendre des exemples com­plets de pro­jets de science des don­nées appli­qués aux sys­tèmes urbains et apprendre pro­gres­si­ve­ment à déve­lop­per soi-même un cas d’usage.

Public

Ingé­nieur ou tech­ni­cien supé­rieur ayant des bases en pro­gram­ma­tion, ou infor­ma­ti­cien inté­res­sé par les appli­ca­tions pra­tiques de la science des don­nées en milieu urbain.

Points forts

Équi­libre et com­plé­men­ta­ri­té entre théo­rie et pratique ;

Appli­ca­tion d’une tech­no­lo­gie (science des don­nées, Python) à des domaines urbains (double compétence) ;

Pos­si­bi­li­té de pour­suivre en auto-for­ma­tion avec la pla­te­forme en ligne.

Modalités pédagogiques

Cours théo­riques et exer­cices inter­ac­tifs en ligne adap­tés au pro­fil du participant.

Modalités d’évaluation

Sui­vi de l’avancement des cours et exer­cices avec le tableau de bord de la pla­te­forme @DataCamp

Programme

Appré­hen­der et com­prendre les tenants et abou­tis­sants de la ville intelligente

• Prin­cipes, enjeux et acteurs de la smart city ;
• Les appli­ca­tions pour les réseaux urbains ;
• Des variantes et exemples de smart city sur les cinq continents ;
• Les tech­no­lo­gies et outils de la smart city.

Acqué­rir les fon­da­men­taux de la science des don­nées et du machine lear­ning (ML)

• Le posi­tion­ne­ment du ML dans le péri­mètre de la science des don­nées et de l’IA ;
• Les grandes caté­go­ries de ML et familles de modèles ;
• Exemples d’applications du ML dans l’espace construit ;
• Le pro­ces­sus d’une étude de ML et les prin­ci­pales étapes ;
• Limites du ML, avantages/inconvénients par rap­port à d’autres approches.

Connaître les outils Python pour la science des don­nées et savoir les choi­sir à bon escient

• L’éco-système Python Ana­con­da et les prin­ci­paux outils pour l’analyse des données ;
• Le lan­gage Python, ses prin­ci­pales caractéristiques ;
• Les struc­ture de don­nées pour une étude ML (data­frames) et leur mani­pu­la­tion avec la biblio­thèque Pandas ;
• Les étapes d’une étude ML en Python avec la biblio­thèque Scikit-learn ;
• Les biblio­thèques pour la visua­li­sa­tion des don­nées (Mat­plot­lib, Seaborn …) ;
• Orga­ni­sa­tion d’une étude ML en Python avec un note­book Jupy­ter – Illus­tra­tion avec des exemples dans le contexte urbain ;
• Autres outils Python, res­sources dis­po­nibles sur le WEB.

Connaître les carac­té­ris­tiques des séries tem­po­relles pro­duites par les réseaux de cap­teurs et savoir les trai­ter avec les outils de la science des données

• Impor­tance des séries tem­po­relles pour les ser­vices de la smart city ;
• Les pro­prié­tés fon­da­men­tales des séries temporelles ;
• Méthodes de base d’analyse et de trans­for­ma­tion des séries temporelles ;
• Com­ment choi­sir et appli­quer les prin­cipes et les modèles du ML aux séries tem­po­relles (pré­dic­tion, détec­tion d’anomalies …) ?

Prendre en main la pla­te­forme @DataCamp pour apprendre et pra­ti­quer la science des don­nées dans un envi­ron­ne­ment en ligne Python

• Pré­sen­ta­tion des ser­vices de la plateforme ;
• Choix per­son­na­li­sé des cours et exer­cices pour les participants ;
• Mes pre­miers cours et exer­cices en ligne enca­drés (pour­suite en dehors des sessions).

Intervenants

Nos inter­ve­nants sont issus des sec­teurs éco­no­miques publics, pri­vés, aca­dé­miques et pro­fes­sion­nels. Ils comptent géné­ra­le­ment plus de 10 ans d’expérience pro­fes­sion­nelle dans leur domaine d’expertise.

Pour aller plus loin

For­ma­tion en intra entre­prise en fonc­tion des besoins.

Pla­quette de la formation