Cours d'analyse de données pour débutants

Leçon 1 • Les quatre catégories d'analyse

Présente l'analyse descriptive, diagnostique, prédictive et prescriptive avec des exemples. Les étudiants associent chaque catégorie à des questions d'affaires spécifiques.

Leçon 2 • Types de données et leurs sources

Couvre les données structurées, non structurées et semi-structurées ainsi que les sources primaires et secondaires. Prépare les étudiants à identifier les données appropriées pour toute tâche d'analyse.

Leçon 3 • Le flux de travail de l'analyse de données

Décrit le processus de bout en bout, de la définition du problème à la présentation des informations. Fournit un cadre reproductible que les étudiants appliquent tout au long du cours.

Leçon 4 • Rôles et parcours professionnels en analyse

Associe les rôles d'analyste, d'ingénieur et de scientifique aux compétences requises et aux responsabilités typiques. Aide les étudiants à aligner les objectifs du cours sur leurs objectifs de carrière.

Leçon 1 • Tri, filtrage et tableaux

Montre le tri, le filtrage à plusieurs niveaux et la conversion de plages en tableaux structurés. Les tableaux structurés rendent la gestion des données évolutive et consciente des formules.

Leçon 2 • Interface et navigation du tableur

Oriente les étudiants vers les lignes, les colonnes, les cellules et la structure du classeur. Une navigation efficace réduit les erreurs et accélère tout le travail ultérieur dans le tableur.

Leçon 3 • Saisie et mise en forme des données

Couvre les types de données, la mise en forme des cellules et les conventions de saisie cohérentes. Une mise en forme appropriée prévient les erreurs de calcul et améliore la lisibilité.

Leçon 4 • Tableaux croisés dynamiques pour l'analyse synthétique

Construit des tableaux croisés dynamiques pour agréger, regrouper et croiser des données sans formules. Les étudiants résument de grands ensembles de données en quelques minutes à l'aide d'une logique glisser-déposer.

Leçon 1 • Détection et suppression des doublons

Enseigne les méthodes pour trouver des enregistrements en double exacts et approximatifs dans les ensembles de données. La suppression des doublons garantit que les décomptes et les agrégations reflètent le volume réel de données.

Leçon 2 • Gestion des valeurs manquantes et nulles

Couvre les stratégies de détection, d'imputation et de suppression pour les données manquantes. Choisir la bonne stratégie évite les biais et préserve l'intégrité de l'analyse.

Leçon 3 • Comprendre les dimensions de la qualité des données

Définit l'exactitude, l'exhaustivité, la cohérence, l'actualité et la validité comme piliers de la qualité. Les étudiants audient les ensembles de données par rapport à ces dimensions pour prioriser les tâches de nettoyage.

Leçon 4 • Standardisation et transformation des données

Applique la normalisation du texte, la standardisation des dates et la conversion d'unités aux champs bruts. Des formats cohérents permettent des jointures, des filtres et des comparaisons précis.

Leçon 1 • Sous-requêtes et expressions de table communes

Présente les sous-requêtes et les CTE pour décomposer une logique complexe en étapes lisibles et réutilisables. Ces structures sont essentielles pour les requêtes avancées et les pipelines de données.

Leçon 2 • Jointure de plusieurs tables

Montre les jointures INNER, LEFT, RIGHT et FULL pour combiner des données de différentes tables. Les requêtes multi-tables débloquent une analyse plus riche indisponible dans les vues à table unique.

Leçon 3 • Notions fondamentales des bases de données relationnelles

Explique les tables, les clés primaires, les clés étrangères et les relations dans les bases de données relationnelles. Ce contexte rend la syntaxe SQL et la logique de jointure intuitives dès le départ.

Leçon 4 • Rédaction de requêtes SELECT de base

Couvre les clauses SELECT, FROM, WHERE, ORDER BY et LIMIT pour la récupération de données. Les étudiants extraient des sous-ensembles ciblés de données de n'importe quelle table relationnelle.

Leçon 1 • Exploration des données catégorielles

Utilise des décomptes de fréquence, des diagrammes à barres et des tableaux croisés pour explorer les variables catégorielles. L'analyse exploratoire des données catégorielles révèle les différences entre les segments et oriente les décisions de regroupement.

Leçon 2 • Analyse univariée des distributions

Analyse les distributions d'une seule variable à l'aide d'histogrammes, de boîtes à moustaches et de tableaux de fréquence. Comprendre les variables individuelles est un prérequis pour l'analyse multivariée.

Leçon 3 • Notions essentielles des statistiques descriptives

Couvre la moyenne, la médiane, le mode, la variance, l'écart-type et les centiles pour les données numériques. Ces mesures résument les distributions et révèlent la tendance centrale et la dispersion.

Leçon 4 • Flux de travail et documentation de l'analyse exploratoire des données

Structure l'analyse exploratoire des données en un processus reproductible et documenté avec des résumés des résultats. Une analyse exploratoire des données documentée garantit la reproductibilité et communique les hypothèses aux parties prenantes.

Leçon 1 • Conception et disposition des tableaux de bord

Applique la hiérarchie de disposition, les espaces blancs et l'interactivité pour construire des tableaux de bord cohérents. Des tableaux de bord bien conçus permettent une exploration en libre-service par des utilisateurs non techniques.

Leçon 2 • Création de visualisations avec des outils décisionnels

Montre comment créer des graphiques, des filtres et des champs calculés dans un outil décisionnel. La pratique concrète fait le pont entre la théorie des graphiques et les résultats visuels prêts pour la production.

Leçon 3 • Narration de données pour les parties prenantes

Structure les résultats analytiques en un arc narratif avec contexte, conflit et résolution. La narration transforme les données en décisions en reliant les informations aux actions.

Leçon 4 • Principes de visualisation efficace des données

Couvre le codage visuel, les attributs préattentifs et le rapport données-encre pour la conception de graphiques. Ces principes évitent les visuels trompeurs et maximisent la compréhension de l'auditoire.

Leçon 1 • Bases de Python pour les analystes

Couvre les variables, les types de données, le flux de contrôle et les fonctions en Python. Ces principes fondamentaux permettent aux analystes d'écrire des scripts d'analyse réutilisables et lisibles.

Leçon 2 • Visualisation avec Matplotlib et Seaborn

Crée des graphiques à lignes, à barres, de dispersion et de distribution à l'aide de Matplotlib et Seaborn. Les visuels basés sur Python s'intègrent directement dans les carnets d'analyse pour une création de rapports reproductible.

Leçon 3 • Nettoyage des données avec pandas

Applique les méthodes pandas pour gérer les valeurs nulles, les doublons et les conversions de type par programmation. Le nettoyage par script est reproductible et évolutif par rapport au travail manuel dans un tableur.

Leçon 4 • Agrégation et GroupBy dans pandas

Reproduit l'agrégation de type SQL à l'aide de groupby, agg et pivot_table dans pandas. Les étudiants produisent des tableaux récapitulatifs et des tableaux croisés entièrement en Python.

Leçon 1 • Création d'un tableau de bord prêt pour le portfolio

Conçoit et publie un tableau de bord interactif qui présente les résultats analytiques. Un tableau de bord peaufiné sert d'artefact de portfolio tangible pour les candidatures à un emploi.

Leçon 2 • Pratique du pipeline de données de bout en bout

Exécute un pipeline complet, de l'ingestion de données brutes au nettoyage, à l'analyse et à la production. Les étudiants expérimentent la complexité cumulative des projets de données concrets.

Leçon 3 • Définition d'un énoncé de problème d'analyse

Traduit un défi d'affaires vague en une question d'analyse structurée et mesurable. Un énoncé de problème précis empêche la dérive de la portée et guide toutes les décisions d'analyse ultérieures.

Leçon 4 • Réflexion et itération sur l'analyse

Examine les décisions du projet, identifie les points à améliorer et documente les leçons apprises. La réflexion structurée accélère la croissance des compétences et développe la maturité analytique.