Bootcamp data science — Des données aux décisions

Ce que vous apprendrez

• Comprendre le cycle de vie de la data science
• Apprendre Python pour la data science
• Travailler avec des jeux de données et différents formats
• Nettoyer et préparer des données désordonnées
• Réaliser une analyse exploratoire des données
• Utiliser les statistiques pour comprendre les données
• Créer des visualisations de données parlantes
• Travailler avec NumPy et Pandas
• Interroger et analyser des données avec SQL
• Découvrir des tendances et des relations dans les jeux de données
• Construire et évaluer des modèles de machine learning
• Comprendre l’apprentissage supervisé et non supervisé
• Appliquer des techniques de régression et de classification
• Travailler avec le clustering et la réduction de dimension
• Évaluer les performances d’un modèle
• Communiquer des enseignements grâce au data storytelling
• Réaliser un projet complet de data science

1. 01Module 1 — Entrer dans le monde de la data science

   Découvrez ce qu’est la data science, comment travaillent les data scientists et comment les données passent d’un jeu brut à des enseignements exploitables.

2. 02Module 2 — Python pour la data science

   Posez les bases de Python nécessaires à l’analyse de données : variables, structures de données, fonctions, boucles, modules et manipulation de fichiers.

3. 03Module 3 — Travailler avec les données

   Apprenez à charger, inspecter, organiser et manipuler des jeux de données avec des outils comme NumPy et Pandas.

4. 04Module 4 — SQL et bases de données

   Apprenez à extraire et analyser les données stockées dans des bases avec SQL. Explorez les requêtes, le filtrage, l’agrégation, les jointures et plus encore.

5. 05Module 5 — Nettoyage et préparation des données

   Apprenez à traiter les valeurs manquantes, les doublons, les formats incohérents, les valeurs aberrantes et les autres problèmes courants des jeux de données réels.

6. 06Module 6 — Analyse exploratoire des données

   Apprenez à explorer des jeux de données, identifier des tendances et des relations, poser les bonnes questions et transformer des données brutes en observations utiles.

7. 07Module 7 — Visualisation de données

   Transformez les données en visualisations claires et parlantes. Apprenez à choisir les bons graphiques et à communiquer l’information efficacement.

8. 08Module 8 — Statistiques pour la data science

   Acquérez une compréhension pratique des statistiques : distributions, probabilités, corrélation, échantillonnage, tests d’hypothèses et significativité statistique.

9. 09Module 9 — Fondamentaux du machine learning

   Découvrez comment les machines apprennent à partir des données et explorez les fondements de l’apprentissage supervisé et non supervisé.

10. 10Module 10 — Modélisation prédictive

    Créez vos premiers modèles de machine learning avec des techniques comme la régression linéaire, la régression logistique, les arbres de décision et la classification.

11. 11Module 11 — Évaluation et amélioration des modèles

    Apprenez à mesurer les performances d’un modèle, éviter le surapprentissage, découper correctement les jeux de données, sélectionner les bonnes variables et améliorer vos modèles.

12. 12Module 12 — Apprentissage non supervisé

    Explorez les techniques qui permettent aux modèles de découvrir des structures cachées dans les données, notamment le clustering et la réduction de dimension.

13. 13Module 13 — Data storytelling

    Apprenez à transformer une analyse technique en une histoire claire, compréhensible par des managers, des clients et un public non technique.

14. 14Module 14 — Du notebook au vrai projet

    Apprenez à structurer un flux de travail complet en data science, documenter votre analyse, rendre votre travail reproductible et présenter vos résultats de façon professionnelle.

15. 15Module 15 — Projet final : résoudre un vrai problème de données

    Travaillez sur un projet complet à partir d’un vrai jeu de données. Définissez le problème, collectez et nettoyez les données, explorez-les, construisez des modèles, évaluez vos résultats et présentez vos conclusions.