Cours analyse de données pour débutants

Leçon 1 • Les quatre catégories d'analyse

Présente les analyses descriptive, diagnostique, prédictive et prescriptive avec des exemples. Les étudiants associent chaque catégorie à des questions métier 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 livraison des informations. Fournit un framework reproductible que les étudiants appliquent tout au long du cours.

Leçon 4 • Rôles et parcours professionnels dans l'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 sensible aux formules.

Leçon 2 • Interface du tableur et navigation

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 sur 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 évite les erreurs de calcul et améliore la lisibilité.

Leçon 4 • Tableaux croisés dynamiques pour l'analyse de synthèse

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

Leçon 1 • Détection et suppression des doublons

Enseigne les méthodes pour trouver les enregistrements en double exacts et approximatifs dans les ensembles de données. La suppression des doublons garantit que les comptages 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. Le choix de 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 auditeront 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 des 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 de reporting et de pipeline de données.

Leçon 2 • Jointure de plusieurs tables

Montre les jointures INNER, LEFT, RIGHT et FULL pour combiner des données entre tables. Les requêtes multi-tables permettent une analyse plus riche, indisponible dans les vues mono table.

Leçon 3 • Fondamentaux 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 • Écriture de requêtes SELECT de base

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

Leçon 1 • Exploration des données catégorielles

Utilise les comptages de fréquence, les diagrammes à barres et les tableaux croisés pour explorer les variables catégorielles. L'AED catégorielle révèle les différences entre segments et oriente les décisions de regroupement.

Leçon 2 • Analyse de la distribution univariée

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

Leçon 3 • Fondamentaux des statistiques descriptives

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

Leçon 4 • Workflow et documentation de l'AED

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

Leçon 1 • Conception et disposition des tableaux de bord

Applique la hiérarchie de mise en page, 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 les utilisateurs non techniques.

Leçon 2 • Création de visualisations avec les outils de BI

Montre comment créer des graphiques, des filtres et des champs calculés dans un outil de business intelligence. La pratique concrète fait le lien 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 un contexte, un conflit et une résolution. La narration transforme les données en décisions en reliant les informations aux actions.

Leçon 4 • Principes d'une visualisation de données efficace

Couvre l'encodage visuel, les attributs pré-attentifs et le ratio données-encre pour la conception de graphiques. Ces principes évitent les visuels trompeurs et maximisent la compréhension du public.

Leçon 1 • Les bases de Python pour les analystes

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

Leçon 2 • Visualisation avec Matplotlib et Seaborn

Crée des graphiques linéaires, à barres, de nuages de points et de distribution à l'aide de Matplotlib et Seaborn. Les visuels basés sur Python s'intègrent directement dans les notebooks d'analyse pour un reporting 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 programme. Un nettoyage scripté est reproductible et évolutif par rapport au travail manuel sur tableur.

Leçon 4 • Agrégation et GroupBy dans pandas

Reproduit l'agrégation de style SQL en utilisant groupby, agg et pivot_table dans pandas. Les étudiants produisent des tables de synthèse et des tableaux croisés entièrement en Python.

Leçon 1 • Création d'un tableau de bord présentable

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

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 sortie. Les étudiants expérimentent la complexité cumulative des projets de données réels.

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

Traduit un défi métier vague en une question d'analyse structurée et mesurable. Un énoncé de problème précis évite la dérive du périmètre et guide toutes les décisions d'analyse ultérieures.

Leçon 4 • Réflexion et itération sur l'analyse

Passe en revue les décisions du projet, identifie les axes d'amélioration et documente les leçons apprises. Une réflexion structurée accélère la croissance des compétences et construit la maturité analytique.