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 fondation garantit que chaque exercice suivant s'exécute sans erreur d'environnement.

Leçon 2 • Interface et concepts fondamentaux de Power BI

Naviguez dans 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 ultérieur de modélisation des données.

Leçon 3 • Notions fondamentales de Python pour le travail sur les données

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

Leçon 1 • Exécution de scripts Python en tant que 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 d'API REST et de données web

Récupérez des données depuis des API REST à l'aide des requêtes Python et des connecteurs web Power BI. Les participants acquièrent les compétences nécessaires 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 Power BI et permet le prétraitement côté Python.

Leçon 1 • Remodelage et agrégation des données

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

Leçon 2 • Principes 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 utilisateur 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 d'intelligence temporelle pour construire des KPI métier. Ces modèles couvrent la majorité des besoins analytiques réels.

Leçon 1 • Principes de formatage et de conception

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

Leçon 2 • Choix du type de visuel approprié

Faites correspondre les caractéristiques des données aux visuels de barres, lignes, nuages de points, cartes et tableaux. Une 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 sous forme de visuels Power BI en utilisant l'objet visuel Python. Cela débloque des types de graphiques statistiques et personnalisés indisponibles nativement.

Leçon 1 • Statistiques descriptives avec Python

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

Leçon 2 • Notions fondamentales des tests d'hypothèses

Appliquez les tests t, les tests du khi-deux et l'ANOVA en utilisant SciPy pour valider des hypothèses métier. Les tests statistiques fournissent une justification fondée sur des preuves pour les décisions.

Leçon 3 • Affichage des analyses Python dans Power BI

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

Leçon 1 • Intégration de prédictions dans Power BI

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

Leçon 2 • Modèles de classification et de régression

Entraînez des arbres de décision, des forêts aléatoires et des modèles linéaires en utilisant les pipelines scikit-learn. Ces algorithmes traitent les problèmes métier prédictifs les plus courants.

Leçon 3 • Présentation du flux de travail du machine learning

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 attribuez 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 d'alertes Power BI et de conditions pilotées par les données. L'automatisation réduit la surveillance manuelle et accélère la réponse aux événements métier.

Leçon 3 • Lignage des données et documentation

Utilisez la vue de lignage et les fonctionnalités d'approbation pour documenter la provenance des jeux de données. Un lignage clair réduit les erreurs lorsque plusieurs équipes partagent et construisent sur les mêmes jeux de données.