Formation en Data Science

Leçon 1 • Configuration d'un environnement de data science

Installe et configure les outils essentiels pour une analyse reproductible. S'assure que chaque apprenant dispose d'un environnement de travail fonctionnel avant de commencer le codage.

Leçon 2 • Le cycle de vie de la data science

Trace un projet, du problème métier à la solution déployée. Fournit un modèle mental pour organiser toutes les compétences techniques ultérieures.

Leçon 3 • Qu'est-ce que la data science ?

Définit la data science, la distingue des domaines connexes et cartographie ses composants essentiels. Établit un vocabulaire commun utilisé tout au long de la formation.

Leçon 1 • Manipulation des données avec pandas

Enseigne la création de DataFrames, l'indexation, le filtrage et la transformation. Soutient directement les chapitres à venir sur le nettoyage des données et l'ingénierie des caractéristiques.

Leçon 2 • I/O de fichiers et chargement de données

Lit et écrit des fichiers CSV, JSON et Excel et se connecte à des bases de données SQL. Prépare les apprenants à ingérer des ensembles de données du monde réel dans n'importe quel format.

Leçon 3 • Travailler avec les tableaux NumPy

Présente le calcul numérique vectorisé à l'aide de NumPy. Permet des opérations rapides sur les tableaux qui sous-tendent les bibliothèques pandas et d'apprentissage automatique.

Leçon 4 • Écrire du code Python réutilisable

Applique les fonctions, les modules et la gestion des erreurs pour créer des scripts maintenables. Établit des pratiques de codage qui s'adaptent aux pipelines complets de projet.

Leçon 1 • Gestion des données manquantes

Compare les stratégies de suppression, d'imputation et de variable indicatrice pour les valeurs manquantes. Enseigne les compromis qui affectent les performances du modèle en aval.

Leçon 2 • Évaluation de la qualité des données

Identifie les valeurs manquantes, les doublons et les incohérences par le profilage. Établit un processus d'audit systématique avant que toute transformation ne commence.

Leçon 3 • Transformation et normalisation des données

Applique la conversion de type, la normalisation et l'encodage aux colonnes brutes. Produit des formats cohérents requis par les modèles statistiques et d'apprentissage automatique.

Leçon 4 • Construction de pipelines de données reproductibles

Encapsule les étapes de nettoyage dans des fonctions réutilisables et des objets de pipeline. Assure un prétraitement cohérent entre les ensembles de données d'entraînement et de production.

Leçon 1 • Tests statistiques courants

Applique les tests t, le test du chi-deux et l'ANOVA à des ensembles de données réels. Équipe les apprenants pour choisir et exécuter le test correct pour chaque scénario de données.

Leçon 2 • Corrélation et relations linéaires

Quantifie les associations linéaires à l'aide des corrélations de Pearson et Spearman. Jette les bases de la modélisation de régression dans le chapitre suivant.

Leçon 3 • Notions essentielles de probabilité

Couvre les règles de probabilité, la probabilité conditionnelle et les distributions courantes. Fournit le langage mathématique utilisé dans chaque modèle probabiliste.

Leçon 4 • Principes de conception expérimentale

Couvre les expériences contrôlées, la randomisation et les cadres de test A/B. Prépare les apprenants à concevoir des tests valides pour une prise de décision basée sur les données.

Leçon 1 • Fondamentaux des statistiques descriptives

Calcule les mesures de tendance centrale, de dispersion et de forme pour les variables numériques. Fournit la base quantitative pour interpréter toutes les visualisations.

Leçon 2 • Analyse univariée et bivariée

Examine les distributions de variables uniques et les relations par paires entre les variables. Révèle le comportement des caractéristiques et les signaux prédictifs potentiels.

Leçon 3 • Meilleures pratiques de visualisation

Applique les principes de conception pour créer des graphiques clairs, précis et adaptés au public. Empêche les visuels trompeurs et améliore la communication avec les parties prenantes.

Leçon 4 • Informations sur les caractéristiques issues de l'EDA

Traduit les résultats de l'EDA en décisions exploitables concernant l'ingénierie des caractéristiques et la modélisation. Fait le lien entre le travail exploratoire et les chapitres à venir sur l'apprentissage automatique.

Leçon 1 • Algorithmes de classification

Entraîne la régression logistique, les arbres de décision, les k-plus proches voisins et les classifieurs naïfs bayésiens. Relie le choix de l'algorithme aux caractéristiques des données et aux besoins métier.

Leçon 2 • Évaluation du modèle et métriques

Applique la justesse, la précision, le rappel, le F1, la ROC-AUC et le RMSE pour évaluer la qualité du modèle. Enseigne la sélection des métriques basée sur le déséquilibre des classes et les compromis de coûts métier.

Leçon 3 • Algorithmes de régression

Couvre la régression linéaire, ridge, lasso et par arbre de décision pour les cibles continues. Enseigne quand et pourquoi appliquer la régularisation pour réduire le surapprentissage.

Leçon 4 • Flux de travail de l'apprentissage automatique

Établit le processus de bout en bout, de la division des données à l'évaluation du modèle. Fournit un cadre reproductible appliqué à chaque algorithme de ce chapitre.

Leçon 1 • Réduction de dimensionnalité

Réduit l'espace des caractéristiques à l'aide de l'ACP et du t-SNE tout en préservant une variance significative. Améliore la visualisation, accélère l'entraînement et atténue le fléau de la dimensionnalité.

Leçon 2 • Méthodes de sélection des caractéristiques

Supprime les caractéristiques non pertinentes et redondantes à l'aide de méthodes de filtrage, d'encapsulation et intégrées. Réduit le surapprentissage et accélère l'entraînement du modèle.

Leçon 3 • Techniques d'ingénierie des caractéristiques

Crée de nouvelles caractéristiques informatives à partir des colonnes existantes par transformation et interaction. Améliore directement le pouvoir prédictif des modèles construits au chapitre précédent.

Leçon 4 • Algorithmes de clustering

Applique le clustering k-moyennes, hiérarchique et DBSCAN pour découvrir des regroupements naturels. Permet la segmentation client, la détection d'anomalies et le résumé des données.

Leçon 1 • Construction d'une API de modèle

Enveloppe un modèle entraîné dans une API REST en utilisant Flask ou FastAPI. Permet à d'autres applications et services de consommer les prédictions par programmation.

Leçon 2 • Sauvegarde et gestion des versions des modèles

Sérialise les modèles entraînés et suit les expériences avec des outils de gestion de versions. Assure la reproductibilité et permet le retour en arrière lorsque les modèles de production se dégradent.

Leçon 3 • Surveillance et maintenance du modèle

Suit la dérive des prédictions, la dérive des données et la dégradation des performances en production. Établit des processus pour le réentraînement et la mise à jour des modèles déployés.

Leçon 4 • Communication des résultats aux parties prenantes

Traduit les résultats techniques en récits clairs et en tableaux de bord visuels pour les publics métier. Comble l'écart entre la sortie du modèle et la prise de décision organisationnelle.