Officiel
Introduction à la Data Science avec Python
Par DevWorkWeb
Ce cours enseigne les bases de l'analyse de données avec Python : manipuler des tableaux de données avec Pandas, effectuer des calculs numériques avec NumPy, visualiser des résultats avec Matplotlib, et poser les bases du Machine Learning avec scikit-learn. L'objectif est de savoir explorer un jeu de données réel et en tirer des conclusions concrètes.
Ce que vous allez apprendre
Prérequis
Avoir suivi le cours « Python : programmer de zéro » ou maîtriser les bases de Python (variables, boucles, fonctions, listes).
Public cible
- • Développeurs ayant suivi le cours Python et voulant se spécialiser en analyse de données
- • Professionnels souhaitant analyser des données métier avec du code plutôt qu'Excel
Programme détaillé
8 modules · 19 leçons1. Python 2 leçons
Rappel rapide des bases Python indispensables avant d'aborder les bibliothèques spécialisées en données.
- Installer l'environnement Data Science (Jupyter, Anaconda) 12 min
- Rappel : listes, dictionnaires, fonctions 10 min
2. NumPy 3 leçons
NumPy fournit des tableaux numériques performants, la fondation sur laquelle repose tout l'écosystème Data Science Python.
- Pourquoi NumPy plutôt que des listes Python 14 min
- Créer et manipuler des tableaux NumPy 12 min
- Opérations mathématiques vectorisées 12 min
3. Pandas 4 leçons
Pandas introduit le DataFrame, une structure de tableau proche d'une feuille Excel, mais manipulable par code.
- Charger des données avec pd.read_csv() 12 min
- Explorer un DataFrame (head, info, describe) 12 min
- Sélectionner et filtrer des données 14 min
- Nettoyer les données manquantes 14 min
4. Data Visualization 3 leçons
Une donnée bien visualisée révèle des tendances invisibles dans un simple tableau de chiffres.
- Graphiques de base avec Matplotlib 14 min
- Visualiser directement depuis Pandas 10 min
- Choisir le bon type de graphique 10 min
5. Machine Learning 3 leçons
Une introduction en douceur aux concepts du Machine Learning supervisé, sans prérequis mathématique poussé.
- Apprentissage supervisé : entraîner un modèle sur des exemples 14 min
- Séparer données d'entraînement et de test 12 min
- Entraîner un premier modèle avec scikit-learn 16 min
6. IA générative 1 leçons
Un pont rapide entre l'analyse de données classique et l'IA générative, pour comprendre où se situe la frontière entre les deux mondes.
- Data Science classique vs IA générative 12 min
7. API IA 1 leçons
Combiner l'analyse de données avec des appels à des API d'IA pour automatiser certaines étapes (résumé, catégorisation de texte).
- Enrichir un jeu de données avec une API d'IA 12 min
8. Projet Data 2 leçons
Mobiliser l'ensemble de la chaîne : chargement, nettoyage, visualisation et modèle simple sur un jeu de données réel.
- Choisir et explorer un jeu de données réel 12 min
- De l'exploration au rapport final 14 min
🎯 Projet final
Analyse complète d'un jeu de données réel
Le projet fil rouge consiste à choisir un jeu de données public, le nettoyer, l'explorer visuellement, puis entraîner un modèle de prédiction simple et en tirer des conclusions.
- Accès à vie
- Certificat inclus
- Exercices pratiques
- Mises à jour gratuites
Avis des apprenants
Aucun avis pour l'instant. Soyez le premier à donner le vôtre.