Formateur Indépendant en Data Science Avec Python

En présentiel en Ile de France (Villejuif)

Notre entreprise dynamique et en pleine croissance recherche un formateur expérimenté en Data Science avec Python. Si vous êtes passionné par l'enseignement, avez une solide expérience dans le secteur de la Data Science, et souhaitez partager vos connaissances avec des élèves en master motivée, nous serions ravis de vous accueillir parmi nous.

**Missions principales**:

- Créer des supports pédagogiques adaptés aux besoins des apprenants (présentations, guides, exercices pratiques, projets).
- Adapter les contenus pédagogiques aux besoins et au niveau des participants
- Assurer un suivi individualisé des apprenants
- Évaluer les acquis et délivrer les certifications
- Veiller à la qualité des formations et à la satisfaction des clients

**Profil recherché**:

- Formation en informatique ou équivalent
- Minimum de 3 ans d’expérience en Data Science et en utilisation de Python pour des projets réels.
- Expérience préalable en tant que formateur ou enseignant en Data Science est fortement souhaitée.
- Aptitude à la pédagogie et à la vulgarisation
- Excellent relationnel et capacité à animer des groupes
- Capacité à travailler en autonomie et en équipe
- Rigueur et sens de l'organisation

**Compétences Technique**:

- Maîtrise de Python et des bibliothèques principales (Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, etc.).
- Connaissance approfondie des concepts de Data Science, y compris l’analyse exploratoire des données, la modélisation statistique, et la visualisation des données.
- Expérience pratique avec des outils de gestion de données (SQL, NoSQL) et des plateformes de cloud computing (AWS, GCP, Azure) est un plus.

**Compétences complémentaires**:

- Expérience en tant que formateur.
- Connaissance des outils pédagogiques et des méthodes d'apprentissage.
- Maîtrise de l'anglais.
- Concevoir et dispenser des programmes de formation complets chez nos clients.
- Adapter les programmes de formation en fonction des niveaux de compétence des apprenants.
- Encourager l'apprentissage pratique à travers des projets concrets et des exercices pratiques.
- Assurer le suivi continu de la progression des apprenants et ajuster les programmes en conséquence.
- Fournir un soutien personnalisé aux apprenants pour garantir leur réussite.
- Restez à jour avec les dernières tendances et évolutions dans le domaine

**Programme de la formation**:

- Définition et appel de fonctions
- Arguments et paramètres
- Fonctions lambda
- Classes et objets
- Attributs et méthodes
- Héritage et polymorphisme
- Modules et packages (importation et création)
- Tableaux NumPy et opérations mathématiques sur les tableaux
- Manipulation des tableaux (indexation, slicing, reshaping)
- Création et manipulation de Series avec Pandas
- Introduction aux DataFrames
- Importation de données (CSV, Excel, SQL)
- Sélection et filtrage des données
- Manipulation de chaînes de caractères
- Gestion des données manquantes

Visualisation de données avec Matplotli
- Création de graphiques simples (lignes, barres, scatter)
- Personnalisation des graphiques (titres, légendes, axes)

Visualisation de données avec Seaborn
- Graphiques statistiques (distribution, boxplots, pairplots)
- Heatmaps et graphiques de régression

Analyse exploratoire des données (EDA)
- Statistiques descriptives
- Détection et gestion des outliers
- Exploration des relations entre les variables

Fusion et regroupement de données
- Joins et merges
- GroupBy et agrégations

Techniques de nettoyage des données
- Gestion des valeurs manquantes et des doublons
- Conversion des types de données
- Transformation des données (scaling, encoding)

Concepts fondamentaux de la statistique
- Moyenne, médiane, mode, variance, écart-type
- Distributions de probabilité

Inférence statistique
- Estimation et intervalle de confiance
- Tests d'hypothèse (t-tests, chi-carré)

Régression linéaire
- Concepts de base de la régression linéaire
- Implémentation de la régression linéaire avec Python

Introduction à scikit-learn
- Aperçu de la bibliothèque scikit-learn
- Flux de travail de machine learning (préparation des données, modélisation, évaluation)

Algorithmes de classification
- K-Nearest Neighbors (KNN)
- Arbres de décision
- Métriques d'évaluation des modèles (accuracy, precision, recall, F1-score)

Régression multiple et polynomial

Algorithmes de clustering
- K-means clustering
- Analyse des clusters et interprétation des résultats

**Modalités d'évaluation**

Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de QCM, mises en situation, travaux pratiques

Type d'emploi : Indépendant / freelance

Avantages:

- Flextime
- Prise en charge du transport quotidien
- Restaurant d'entreprise

Programmation:

- Travail en journée

Lieu du poste : En présentiel

Date de début prévue : 27/05