Formation d'analyste de données numériques

Leçon 1 • Le rôle de l'analyste de données

Définit les responsabilités de l'analyste, les relations avec les parties prenantes et les étapes du flux de travail. Ancre toutes les compétences techniques subséquentes dans un contexte professionnel.

Leçon 2 • Types et sources de données

Couvre les données structurées, non structurées et semi-structurées ainsi que les sources primaires et secondaires. Permet aux étudiants d'identifier les données appropriées pour toute tâche analytique.

Leçon 3 • Cadres de pensée analytique

Présente la décomposition des problèmes, la formulation d'hypothèses et les schémas de raisonnement logique. Fournit un modèle mental reproductible pour aborder tout défi analytique.

Leçon 1 • Formules et fonctions de base

Enseigne les fonctions de recherche, logiques, de texte et de date essentielles à la transformation des données. Permet directement les tâches de nettoyage et d'agrégation des données couvertes plus loin dans le chapitre.

Leçon 2 • Fonctions statistiques de base

Applique les statistiques descriptives — moyenne, médiane, écart type et centiles — dans les tableurs. Prépare les étudiants à une analyse statistique plus approfondie dans les chapitres suivants.

Leçon 3 • Tableaux croisés dynamiques et agrégation

Démontre la construction de tableaux croisés dynamiques, le regroupement et les champs calculés pour résumer les données. Fait le pont entre les données brutes et les informations sommaires dont les parties prenantes ont besoin.

Leçon 4 • Navigation et configuration des tableurs

Couvre la structure du classeur, les références de cellule et les conventions de formatage. Établit des habitudes efficaces qui réduisent les erreurs dans tout travail ultérieur sur tableur.

Leçon 1 • Fonctions de fenêtre

Couvre RANG, NUMÉRO_LIGNE, DÉCALAGE, DÉCALAGE_VERS_AVANT et les totaux cumulatifs à l'aide des clauses SUR. Permet des analyses de séries chronologiques et de classement sans réduire le niveau de détail des lignes.

Leçon 2 • Agrégation et regroupement

Enseigne GROUPER PAR, AYANT et les fonctions d'agrégation pour résumer de grands ensembles de données. Permet aux analystes de produire les indicateurs sommaires que les parties prenantes demandent le plus souvent.

Leçon 3 • Concepts de base de données relationnelles

Explique les tables, les clés, les relations et les schémas comme fondement structurel du SQL. Comprendre ce contexte prévient les erreurs de requête et améliore la logique de jointure.

Leçon 4 • Sous-requêtes et CTE

Introduit les sous-requêtes et les expressions de table courantes pour une conception de requête modulaire et lisible. Prépare les étudiants aux requêtes analytiques complexes utilisées dans les rapports avancés.

Leçon 5 • Requêtes SELECT de base

Couvre les clauses SELECT, OÙ, ORDONNER PAR et LIMITER pour la récupération de base des données. Ce sont les éléments constitutifs de toute requête plus complexe dans le chapitre.

Leçon 1 • Tests d'hypothèses

Enseigne les hypothèses nulle et alternative, les valeurs p, les seuils de signification et les erreurs de type I et II. Permet aux analystes de formuler des affirmations statistiquement défendables à partir de données d'échantillon.

Leçon 2 • Statistiques descriptives approfondies

Étend les statistiques de tableur pour couvrir les distributions, l'asymétrie, l'aplatissement et les mesures robustes. Fournit le vocabulaire nécessaire pour décrire tout ensemble de données avec précision.

Leçon 3 • Notions fondamentales de probabilité

Couvre les règles de probabilité, la probabilité conditionnelle et les distributions courantes pertinentes pour les données d'affaires. Sous-tend toutes les méthodes inférentielles présentées plus loin dans le chapitre.

Leçon 4 • Corrélation et régression simple

Couvre la corrélation de Pearson, la régression linéaire simple et l'interprétation des résidus. Introduit les concepts de modélisation prédictive qui sont développés dans le chapitre suivant.

Leçon 1 • Notions fondamentales de Python pour les analystes

Couvre les variables, les types de données, le flux de contrôle et les fonctions comme le minimum Python nécessaire à l'analyse. Maintient l'accent sur les cas d'utilisation des analystes plutôt que sur le génie logiciel général.

Leçon 2 • Opérations d'agrégation et GroupBy

Applique groupby, pivot_table et resample pour résumer les données par dimensions et dans le temps. Étend les concepts d'agrégation SQL à un flux de travail programmatique flexible.

Leçon 3 • Manipulation des données avec pandas

Enseigne la création de DataFrames, l'indexation, le filtrage et la fusion à l'aide de pandas. Reflète les compétences en tableur et SQL déjà acquises dans un environnement programmatique.

Leçon 4 • Nettoyage des données avec Python

Aborde les valeurs manquantes, la conversion de types, la normalisation de chaînes et la détection des valeurs aberrantes dans pandas. Produit des données fiables et prêtes pour l'analyse à partir d'entrées réelles désordonnées.

Leçon 1 • Principes de conception de visualisation

Couvre les attributs pré-attentifs, la logique de sélection de graphiques et les schémas de graphiques trompeurs courants. Ancre tout travail spécifique à un outil dans des normes de conception universelles.

Leçon 2 • Graphiques en Python

Construit des graphiques statiques et interactifs à l'aide de matplotlib et seaborn. Relie directement la manipulation des données en Python à la sortie visuelle pour des flux de travail de bout en bout.

Leçon 3 • Narration avec données

Enseigne la structure narrative, l'annotation et le séquençage des visuels pour guider l'interprétation du public. Transforme des graphiques techniquement corrects en histoires analytiques persuasives.

Leçon 4 • Performance et convivialité des tableaux de bord

Aborde la conception de filtres, l'optimisation du temps de chargement et les normes d'accessibilité pour les tableaux de bord de production. Assure que les tableaux de bord restent utilisables à mesure que les volumes de données et les bases d'utilisateurs augmentent.

Leçon 1 • Régression linéaire multiple

Étend la régression simple à plusieurs prédicteurs, couvrant la multicolinéarité et la sélection de modèles. S'appuie directement sur les fondements de la régression du chapitre sur les statistiques.

Leçon 2 • Analyse de séries chronologiques

Couvre la tendance, la saisonnalité et la décomposition pour prévoir les indicateurs d'affaires dans le temps. Aborde les modèles de données temporelles courants dans les ventes, les finances et les opérations.

Leçon 3 • Segmentation et regroupement

Applique le regroupement k-means et hiérarchique pour regrouper les clients, les produits ou les comportements. Permet aux analystes de découvrir des modèles naturels sans étiquettes prédéfinies.

Leçon 4 • Régression logistique et classification

Introduit la régression logistique pour les résultats binaires et évalue les modèles avec des matrices de confusion. Élargit la boîte à outils de l'analyste aux problèmes de prédiction catégorielle.

Leçon 1 • Mesurer l'impact analytique

Introduit des cadres pour suivre si les recommandations analytiques ont été mises en œuvre et étaient efficaces. Ferme la boucle de rétroaction entre l'analyse et la valeur d'affaires.

Leçon 2 • Présenter aux parties prenantes

Enseigne la conception de diapositives, la prestation orale et la gestion des questions lors des présentations analytiques. Fait le pont entre l'analyse rigoureuse et la communication confiante.

Leçon 3 • Structurer les rapports analytiques

Couvre la rédaction de résumés analytiques, la hiérarchisation des constats et l'organisation des preuves à l'appui. Assure que le travail analytique est accessible aux décideurs non techniques.