Cours d'analyse de données Microsoft avec IA générative

Leçon 1 • Concepts d'IA générative pour les analystes

Couvre les grands modèles de langage, les jetons et les mécaniques de prompt et de réponse. Ancre les analystes dans la manière dont l'IA génère des résultats à partir d'entrées de données structurées et non structurées.

Leçon 2 • Préparation des données et compatibilité avec l'IA

Examine comment la structure, la qualité et le format des données affectent les performances de l'IA. Les étudiants apprennent à évaluer et à préparer des ensembles de données avant d'appliquer des techniques d'IA générative.

Leçon 3 • Fondements éthiques et de gouvernance

Présente les principes de biais, de confidentialité et d'imputabilité pertinents pour l'analyse assistée par l'IA. Établit un cadre d'utilisation responsable appliqué tout au long du cours.

Leçon 1 • Anatomie d'un prompt analytique efficace

Décompose les composants des prompts de haute qualité : rôle, contexte, tâche et format. Les étudiants appliquent une structure reproductible aux requêtes analytiques.

Leçon 2 • Prompting pour l'exploration de données

Enseigne des motifs de prompt qui font émerger les tendances, les valeurs aberrantes et les distributions dans les ensembles de données. Relie la conception des prompts directement aux objectifs de l'analyse exploratoire des données.

Leçon 3 • Modèles de prompts et réutilisabilité

Couvre la création de modèles de prompts modulaires et paramétrés pour des tâches analytiques récurrentes. Les étudiants créent une bibliothèque personnelle de prompts pour une utilisation cohérente et efficace de l'IA.

Leçon 4 • Prompting en chaîne de pensée et en plusieurs étapes

Présente les techniques de chaîne de raisonnement qui guident l'IA à travers des étapes analytiques complexes. Les étudiants décomposent des problèmes multi-parties en flux de travail de prompts séquencés.

Leçon 1 • Standardisation et normalisation des données

Exploite l'IA pour détecter les formats, les unités et les conventions de dénomination incohérents dans les ensembles de données. Les étudiants appliquent des scripts de transformation générés par l'IA pour imposer des standards de données.

Leçon 2 • Détection et gestion des données manquantes avec l'IA

Utilise des prompts d'IA pour identifier les schémas de valeurs manquantes et recommander des stratégies d'imputation. Relie la détection automatisée à des décisions éclairées et contextuelles sur les données.

Leçon 3 • Détection des doublons et déduplication d'enregistrements

Applique l'IA pour faire apparaître les enregistrements en double exacts et approximatifs dans de grands ensembles de données. Les étudiants mettent en œuvre des flux de travail de déduplication assistée par l'IA avec des points de contrôle de révision humaine.

Leçon 1 • Résumé statistique guidé par l'IA

Applique l'IA pour générer des statistiques descriptives et interpréter leur signification analytique. Fait le pont entre les résultats numériques bruts et les informations narratives pour les publics professionnels.

Leçon 2 • Découverte de corrélations et de relations

Utilise l'IA pour identifier et expliquer les relations entre variables dans des ensembles de données structurés. Les étudiants distinguent la corrélation de la causalité à l'aide de prompts de raisonnement assistés par l'IA.

Leçon 3 • Génération automatisée de rapports d'analyse exploratoire des données (AED)

Génère des rapports exploratoires structurés à l'aide de l'IA à partir d'entrées d'ensembles de données bruts. Les étudiants personnalisent les rapports d'AED produits par l'IA pour des parties prenantes spécifiques.

Leçon 4 • Segmentation et clustering avec l'IA

Applique l'IA pour proposer et interpréter des schémas de segmentation de données à partir de données comportementales ou démographiques. Les étudiants valident les clusters suggérés par l'IA par rapport à la logique métier.

Leçon 1 • Génération de code de visualisation avec l'IA

Applique l'IA pour écrire et affiner du code de graphique en Python, R ou formules de feuille de calcul. Les étudiants itèrent sur le code généré par l'IA pour répondre à des spécifications visuelles précises.

Leçon 2 • Conception de tableaux de bord interactifs avec l'IA

Applique l'IA pour planifier les mises en page de tableaux de bord, les hiérarchies d'indicateurs clés de performance (KPI) et la logique de filtrage. Les étudiants produisent des spécifications de tableau de bord prêtes à être mises en œuvre dans des outils de BI.

Leçon 3 • Sélection du graphique approprié avec les conseils de l'IA

Utilise l'IA pour recommander des types de graphiques en fonction de la structure des données et de l'intention analytique. Les étudiants appliquent une logique de sélection pour éviter les visualisations trompeuses ou inefficaces.

Leçon 1 • Génération et affinement du code du modèle avec l'IA

Applique l'IA pour écrire, déboguer et optimiser le code d'apprentissage automatique dans les frameworks courants. Les étudiants valident le code généré par l'IA par rapport au comportement attendu du modèle.

Leçon 2 • Évaluation et interprétation du modèle

Utilise l'IA pour expliquer les métriques de performance du modèle et faire émerger des informations exploitables à partir des résultats. Les étudiants traduisent les résultats d'évaluation techniques en conclusions pertinentes pour l'entreprise.

Leçon 3 • Prévision et analyse de séries temporelles avec l'IA

Applique l'IA pour identifier la saisonnalité, les tendances et prévoir les valeurs futures dans les données de séries temporelles. Les étudiants produisent et valident des prévisions assistées par l'IA pour la planification opérationnelle.

Leçon 4 • Sélection de modèle assistée par l'IA

Utilise l'IA pour évaluer et recommander des approches de modélisation en fonction des caractéristiques des données et des objectifs métier. Les étudiants appliquent des critères structurés pour justifier les choix de modèles.

Leçon 1 • Modélisation de sujets et extraction de thèmes

Applique l'IA pour identifier des sujets latents et des thèmes récurrents dans de grands corpus de texte. Les étudiants interprètent et étiquettent les sujets générés par l'IA pour leur pertinence métier.

Leçon 2 • Résumé et reporting textuels automatisés

Applique l'IA pour condenser de grands ensembles de documents en résumés précis et adaptés au public. Les étudiants évaluent la qualité des résumés et intègrent les résultats dans des rapports analytiques.

Leçon 3 • Analyse des sentiments et des opinions

Utilise l'IA générative pour classifier les sentiments et extraire les thèmes d'opinion à partir de textes clients. Les étudiants appliquent les résultats aux décisions d'amélioration des produits, des services et de la communication.

Leçon 4 • Reconnaissance d'entités et extraction d'informations

Utilise l'IA pour extraire des entités nommées, des relations et des faits clés à partir de documents non structurés. Les étudiants construisent des pipelines d'extraction pour les contrats, les rapports et les communications.

Leçon 1 • Mesure du retour sur investissement (ROI) des initiatives d'analyse par l'IA

Établit des métriques et des cadres de mesure pour quantifier la valeur analytique de l'IA. Les étudiants construisent des dossiers métier qui relient l'investissement dans l'IA à des résultats mesurables.

Leçon 2 • Construction de pipelines d'analyse IA automatisés

Construit des pipelines automatisés qui enchaînent les tâches d'IA, de l'ingestion des données à la fourniture d'informations. Les étudiants configurent les déclencheurs, la gestion des erreurs et le routage des sorties dans la conception du pipeline.

Leçon 3 • Cartographie et refonte des flux de travail d'analyse

Audite les processus d'analyse existants pour identifier les points d'intégration de l'IA à forte valeur ajoutée. Les étudiants produisent des cartes de flux de travail refondues avec des points de contact IA et une logique de transfert.

Leçon 4 • Contrôle de la qualité des sorties de l'IA à grande échelle

Met en œuvre des systèmes de surveillance et de validation pour maintenir la qualité des sorties de l'IA en production. Les étudiants conçoivent des barrières de qualité qui détectent les erreurs avant que les informations n'atteignent les décideurs.