Cours Power BI et Python

Leçon 1 • Configuration de votre environnement de développement

Installez Power BI Desktop et Python, puis configurez les chemins d'accès et les dépendances. Cette base garantit que tous les exercices ultérieurs s'exécutent sans erreur d'environnement.

Leçon 2 • Interface Power BI et concepts clés

Parcourez l'interface de Power BI Desktop et comprenez les rapports, les jeux de données et les espaces de travail. La familiarité avec l'interface utilisateur accélère tout le travail de modélisation des données ultérieur.

Leçon 3 • Fondamentaux de Python pour le travail sur les données

Abordez la syntaxe Python, les types de données et le contrôle de flux pertinents pour les tâches d'analytique. Ces compétences sous-tendent chaque script Python utilisé dans Power BI.

Leçon 1 • Exécution de scripts Python comme sources de données

Exécutez des scripts Python directement dans Power BI pour générer ou transformer des données sources. Cela fait le pont entre les deux outils en un pipeline d'ingestion unifié.

Leçon 2 • Consommation de données Web et d'API REST

Récupérez des données à partir d'API REST en utilisant les requêtes Python et les connecteurs Web Power BI. Les étudiants acquièrent des compétences pour accéder à des données dynamiques en direct indisponibles dans des fichiers statiques.

Leçon 3 • Chargement de données avec Python et pandas

Utilisez pandas pour lire des sources CSV, Excel, JSON et SQL dans des DataFrames. Cela reflète l'ingestion de Power BI et permet le prétraitement côté Python.

Leçon 1 • Remise en forme et agrégation des données

Effectuez des opérations de pivot, de dépivot, de regroupement et d'agrégation dans pandas et Power Query. Les compétences en remise en forme sont essentielles pour construire les tables structurées dont les modèles Power BI ont besoin.

Leçon 2 • Les essentiels de l'éditeur Power Query

Utilisez Power Query pour filtrer, renommer, fractionner et fusionner des colonnes sans code. Ces compétences basées sur l'interface graphique gèrent la majorité des tâches de nettoyage courantes.

Leçon 3 • Power Query avancé avec le langage M

Écrivez des expressions M pour automatiser des transformations complexes au-delà de l'interface graphique. Les fonctions M personnalisées étendent Power Query pour gérer une logique dynamique et paramétrée.

Leçon 1 • Optimisation du modèle de données

Réduisez la taille du modèle et améliorez la vitesse des requêtes grâce à la suppression de colonnes, aux agrégations et aux modes de stockage. L'optimisation garantit que les tableaux de bord restent réactifs avec des volumes de données d'entreprise.

Leçon 2 • Introduction à DAX

Écrivez des colonnes calculées et des mesures de base en utilisant la syntaxe DAX et le contexte d'évaluation. DAX est le langage principal pour tous les calculs analytiques dans Power BI.

Leçon 3 • Modèles DAX intermédiaires

Appliquez les fonctions CALCULATE, FILTER et les fonctions d'intelligence temporelle pour construire des KPI d'affaires. Ces modèles couvrent la majorité des besoins analytiques du monde réel.

Leçon 1 • Principes de formatage et de conception

Appliquez une couleur, une typographie et une disposition cohérentes pour produire des rapports professionnels. La discipline de conception réduit la charge cognitive et augmente la confiance des parties prenantes.

Leçon 2 • Choisir le bon type de visuel

Faites correspondre les caractéristiques des données aux visuels à barres, courbes, nuages de points, cartes et tableaux. La sélection correcte du visuel est le fondement d'une communication de données honnête et lisible.

Leçon 3 • Visuels Python dans Power BI

Rendez les graphiques Matplotlib et Seaborn comme des visuels Power BI à l'aide de l'objet visuel Python. Cela débloque des types de graphiques statistiques et personnalisés non disponibles nativement.

Leçon 1 • Statistiques descriptives avec Python

Calculez des statistiques récapitulatives, des distributions et des corrélations à l'aide de pandas et NumPy. Ces métriques constituent la base de tout travail analytique plus approfondi.

Leçon 2 • Fondamentaux des tests d'hypothèse

Appliquez les tests t, les tests du khi-deux et l'ANOVA à l'aide de SciPy pour valider des hypothèses d'affaires. Les tests statistiques fournissent une justification fondée sur des preuves pour les décisions.

Leçon 3 • Présentation de l'analytique Python dans Power BI

Transmettez les statistiques calculées par Python et les sorties de modèle dans les rapports Power BI. Cela boucle la boucle entre l'analyse Python et les tableaux de bord destinés aux affaires.

Leçon 1 • Intégration de prédictions dans Power BI

Chargez des modèles scikit-learn sauvegardés dans les scripts Python de Power BI pour scorer de nouvelles données. Les prédictions deviennent des colonnes filtrables dans des rapports en direct sans ré-entraînement.

Leçon 2 • Modèles de classification et de régression

Entraînez des arbres de décision, des forêts aléatoires et des modèles linéaires à l'aide des pipelines scikit-learn. Ces algorithmes répondent aux problèmes d'affaires prédictifs les plus courants.

Leçon 3 • Aperçu du flux de travail d'apprentissage automatique

Comprenez le pipeline ML de bout en bout, de la préparation des données au déploiement du modèle. Un flux de travail clair prévient les erreurs courantes dans l'ingénierie des caractéristiques et l'évaluation.

Leçon 1 • Sécurité au niveau des lignes et contrôle d'accès

Définissez des rôles RLS dans DAX et assignez des utilisateurs pour restreindre la visibilité des données par rôle. Les règles de sécurité garantissent que chaque utilisateur ne voit que les données qu'il est autorisé à consulter.

Leçon 2 • Automatisation des flux de travail avec Power Automate

Déclenchez des flux Power Automate à partir des alertes Power BI et des conditions basées sur les données. L'automatisation réduit la surveillance manuelle et accélère la réponse aux événements d'affaires.

Leçon 3 • Traçabilité et documentation des données

Utilisez la vue de traçabilité et les fonctions d'approbation pour documenter la provenance des jeux de données. Une traçabilité claire réduit les erreurs lorsque plusieurs équipes partagent et travaillent sur les mêmes jeux de données.