Python & Data Science

Le cours PDS5141 — Python & Data Science (semestre 5, Licence professionnelle GELO) fait passer l’étudiant de l’usage « scolaire » de Python à la construction de véritables pipelines de données et de modèles d’apprentissage automatique (Machine Learning, ML) déployés en production. Les exemples sont tirés du contexte nigérien : transactions Mobile Money (Airtel Money, Moov Money, Amanata), microfinance à Maradi, pharmacies de Niamey, scolarité à EPI-Niger. Une attention particulière est portée aux contraintes locales : faible bande passante, serveurs modestes, besoin de modèles légers et explicables.

Objectifs d’apprentissage

• Maîtriser Python avancé pour le développement de pipelines de data science et d’applications IT.
• Implémenter et évaluer des modèles de Machine Learning supervisés et non supervisés.
• Déployer un modèle de Machine Learning en production via une API REST (FastAPI).
• Appliquer le ML à des problèmes réels liés au contexte africain et nigérien.

Prérequis

Programmation Orientée Objet Java/C++ (POO4131, GELO S4) ; Statistiques & Data Analysis (SDA4122). Une pratique de base de Python 3 (types, fonctions, listes, dictionnaires) est supposée acquise.

Plan du cours

1. Leçon 1 — Python avancé pour la Data Science
2. Leçon 2 — Machine Learning supervisé
3. Leçon 3 — Machine Learning non supervisé
4. Leçon 4 — Déploiement de modèles ML

Travaux pratiques

• TP guidé (leçon 3) : segmentation des clients d’une fintech nigérienne par clustering.
• TP guidé (leçon 4) : pipeline complet entraînement → évaluation → déploiement → monitoring d’un modèle ML (MLflow, FastAPI, Docker, Redis).

Environnement conseillé : Python 3.11 ou plus, NumPy, pandas, scikit-learn, MLflow, FastAPI, Docker. Tout peut fonctionner hors ligne une fois les paquets installés (pensez à préparer un miroir local ou un wheelhouse pip pour les salles à connexion limitée).

Modalités d’évaluation

Volume horaire : CM 10 h, TD 10 h, TP 20 h, TPE 20 h, soit 60 h (3 crédits). Évaluation CC + ET : contrôle continu 40 % (TP notés, mini-projet de déploiement) et examen terminal 60 % ; nature mixte (écrit et pratique).

Bibliographie

• A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras and TensorFlow, O’Reilly.
• J. VanderPlas, Python Data Science Handbook, O’Reilly (version gratuite sur GitHub).
• W. McKinney, Python for Data Analysis, O’Reilly (complément sur pandas).
• Documentations officielles : scikit-learn.org, pandas.pydata.org, fastapi.tiangolo.com, mlflow.org.