Formation en Data Science

Leçon 1 • Configuration d'un environnement de science des données

Installe et configure les outils essentiels pour une analyse reproductible. Garantit que chaque étudiant dispose d'un environnement de travail avant de commencer à coder.

Leçon 2 • Le cycle de vie de la science des données

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

Leçon 3 • Ce qu'est la science des données

Définit la science des données, la distingue des domaines connexes et cartographie ses composants essentiels. Établit le vocabulaire partagé utilisé dans tout le cours.

Leçon 1 • Manipulation de données avec pandas

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

Leçon 2 • Entrées-sorties de fichiers et chargement de données

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

Leçon 3 • Utilisation des tableaux NumPy

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

Leçon 4 • Écriture de code Python réutilisable

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

Leçon 1 • Gestion des données manquantes

Compare les stratégies de suppression, d'imputation et d'indicateur 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 via le profilage. Établit un processus d'audit systématique avant le début de toute transformation.

Leçon 3 • Transformation et normalisation des données

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

Leçon 4 • Création 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-carré et l'ANOVA à des ensembles de données réels. Donne aux étudiants les moyens de choisir et d'exécuter le test approprié pour chaque scénario de données.

Leçon 2 • Corrélation et relations linéaires

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

Leçon 3 • Notions essentielles de probabilités

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 tests A/B. Prépare les étudiants à concevoir des tests valides pour la 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 d'une seule variable et les relations par paires entre les variables. Révèle le comportement des caractéristiques et les signaux prédictifs potentiels.

Leçon 3 • Bonnes 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 actionnables concernant la conception de caractéristiques et la modélisation. Fait le lien entre le travail exploratoire et les chapitres d'apprentissage automatique à venir.

Leçon 1 • Algorithmes de classification

Entraîne les classifieurs par régression logistique, arbres de décision, k-plus proches voisins et naive Bayes. Relie le choix de l'algorithme aux caractéristiques des données et aux exigences métier.

Leçon 2 • Évaluation et métriques des modèles

Applique la précision, l'exactitude, le rappel, le F1, l'AUC-ROC et le RMSE pour évaluer la qualité du modèle. Enseigne la sélection des métiques en fonction du déséquilibre des classes et des compromis de coût 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 • Workflow d'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 de 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 de conception de caractéristiques

Crée de nouvelles caractéristiques informatives à partir de colonnes existantes via la transformation et l'interaction. Améliore directement le pouvoir prédictif des modèles construits dans le chapitre précédent.

Leçon 4 • Algorithmes de clustering

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

Leçon 1 • Création d'une API de modèle

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

Leçon 2 • Sauvegarde et gestion de versions des modèles

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

Leçon 3 • Surveillance et maintenance des modèles

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.