Python et IA générative pour l'analyse de données
Code UE : EAR212-PAR
- Cours
- 4 crédits
- Volume horaire de référence
(+ ou - 10%) : 40 heures
Responsable(s)
Héloïse PETIT
Public, conditions d’accès et prérequis
Aucun prérequis en programmation. Ce cours est ouvert à tous les étudiants du Master SEND. Pour les élèves hors master, il est ouvert sur demande d'agrément (à faire ici).
Le cours nécessite un ordinateur portable sur lequel Python pourra être installé (logiciel gratuit).
Le cours nécessite un ordinateur portable sur lequel Python pourra être installé (logiciel gratuit).
L'avis des auditeurs
Les dernières réponses à l'enquête d'appréciation pour cet enseignement :
Objectifs pédagogiques
Ce cours est une introduction à la collecte, au traitement et à l'analyse des données en Python. Il intègre des bases de programmation en Python, et les outils d'IA générative (LLM, vibe coding) comme leviers d'apprentissage et de productivité, pour permettre à tout étudiant — même sans expérience en programmation — de construire des scripts utiles et de prototyper des solutions data.
Compétences visées
- Écrire et exécuter des scripts Python de manière autonome
- Collecter, manipuler et visualiser des données avec les principales librairies data science
- Utiliser des assistants IA (LLM) pour coder, déboguer et prototyper rapidement
- Comprendre les mécanismes de base du machine learning et du deep learning
- Dialoguer efficacement avec des équipes techniques data et IA.
Contenu
Ce cours couvre les fondamentaux de la programmation Python — variables, conditions, boucles, fonctions, structures de données — ainsi que la lecture et l'écriture de fichiers dans différents formats.
Nous abordons ensuite l'écosystème des librairies data science : manipulation de données tabulaires avec pandas et numpy, visualisation avec matplotlib et plotly, échanges avec le web via requests.
La collecte de données est traitée à travers des projets concrets : interrogation d'APIs publiques, web scraping, et analyse de données réelles.
Une partie importante du cours est consacrée aux outils d'IA générative appliqués au développement : utilisation de LLM pour coder, déboguer et prototyper (développement IA-assisté, vibe coding).
Enfin, nous introduisons les fondements du machine learning : terminologie, principes d'entraînement d'un réseau de neurones, et mise en pratique sur un projet de classification d'images (TensorFlow/Keras).
Modules Python utilisés:
- pandas : manipulation et analyse de données tabulaires (DataFrame, filtrage, agrégation, jointures)
- numpy : calcul scientifique, manipulation de tableaux multidimensionnels et opérations vectorisées
- matplotlib et plotly : visualisation de données sous forme de graphiques interactifs et de cartes
- requests : exécution programmatique de requêtes HTTP pour interroger des APIs web
- tensorFlow et keras : entraînement et évaluation de modèles de deep learning
Nous abordons ensuite l'écosystème des librairies data science : manipulation de données tabulaires avec pandas et numpy, visualisation avec matplotlib et plotly, échanges avec le web via requests.
La collecte de données est traitée à travers des projets concrets : interrogation d'APIs publiques, web scraping, et analyse de données réelles.
Une partie importante du cours est consacrée aux outils d'IA générative appliqués au développement : utilisation de LLM pour coder, déboguer et prototyper (développement IA-assisté, vibe coding).
Enfin, nous introduisons les fondements du machine learning : terminologie, principes d'entraînement d'un réseau de neurones, et mise en pratique sur un projet de classification d'images (TensorFlow/Keras).
Modules Python utilisés:
- pandas : manipulation et analyse de données tabulaires (DataFrame, filtrage, agrégation, jointures)
- numpy : calcul scientifique, manipulation de tableaux multidimensionnels et opérations vectorisées
- matplotlib et plotly : visualisation de données sous forme de graphiques interactifs et de cartes
- requests : exécution programmatique de requêtes HTTP pour interroger des APIs web
- tensorFlow et keras : entraînement et évaluation de modèles de deep learning
Modalité d'évaluation
- Contrôle continu
- Projet(s)
Bibliographie
Cette UE apparaît dans les diplômes et certificats suivants
Chargement du résultat...
Intitulé de la formation |
Type |
Modalité(s) |
Lieu(x) |
|
|---|---|---|---|---|
Intitulé de la formation
Master économie Parcours Stratégies économiques, numériques et données
|
Lieu(x)
Package
|
Lieu(x)
Paris
|
||
| Intitulé de la formation | Type | Modalité(s) | Lieu(x) |
Contact
Centre(s) d'enseignement proposant cette formation
-
Centre Cnam Paris
- Année 2026 / 2027 : Formation en présentiel soir ou samedi
- Année 2027 / 2028 : Formation en présentiel soir ou samedi
Comment est organisée cette formation ?2026-2027 Annuel : Formation en présentiel soir ou samedi
Dates importantes
- Période des séances du 14/09/2026 au 05/06/2027
- Période d'inscription : du 01/06/2026 à 10:00 au 16/10/2026 à 17:30
- Période de 1ère session d'examen : 06/2027
- Période de 2ème session d'examen : 09/2027
Précision sur la modalité pédagogique
- Une formation en présentiel est dispensée dans un lieu identifié (salle, amphi ...) selon un planning défini (date et horaire).
Code UE : EAR212-PAR
- Cours
- 4 crédits
- Volume horaire de référence
(+ ou - 10%) : 40 heures
Responsable(s)
Héloïse PETIT
