Aperçu du cours
Introduction à la Data Science avec Python
Ce module introductif présente les fondamentaux de la data science et le rôle central de Python dans ce domaine. Découvrez pourquoi Python est privilégié par les data scientists pour son efficacité et sa flexibilité.
Manipulation de données avec Pandas et NumPy
Apprenez à manipuler et à nettoyer des données avec Pandas, une librairie essentielle en data science pour le traitement des données tabulaires, et NumPy pour les opérations sur des tableaux numériques de haute performance.
Visualisation de données
Explorez les techniques de visualisation de données avec Matplotlib et Seaborn pour créer des graphiques qui communiquent clairement vos analyses. Ce module vous enseignera à transformer des données complexes en visualisations intuitives et informatives.
Projets pratiques en Data Science
Engagez-vous dans des projets pratiques qui reflètent des défis réels en data science. Utilisez Python pour analyser des ensembles de données, créer des modèles prédictifs et présenter des solutions innovantes à des problèmes complexes.
Prérequis
- Utilisation régulière du langage Python
Fonctionnalités
- Avoir une vue d’ensemble de l’écosystème scientifique de Python
- Connaître les librairies scientifiques incontournables pour la science des données
- Manipuler des données volumineuses avec Python
- Apprivoiser l’intérêt de la Data Visualisation
- Créer des visualisation des données avec Python
Public ciblé
- Ingénieur
- Développeurs
- Chercheurs
- Data scientists
- Data analysts
Détails
- 30 Sections
- 168 Lessons
- 28 Weeks
- Introduction de l'écosystème scientifique de Python9
- 1.1Tour d’horizon de l’écosystème
- 1.2Recherche et jugement des librairies
- 1.3Outils et logiciels de la Data Science
- 1.4Anaconda : distribution scientifique
- 1.5Intérêt et utilisation de l’environnement virtuel
- 1.6Interprétateur IPython & serveur Jupyter
- 1.7Best practices des projets de data science
- 1.8Format de fichiers scientifiques et librairies
- 1.9Travaux pratiques : Mise en place d’un environnement de développement
- Introduction de l'écosystème scientifique de Python9
- 2.1Tour d’horizon de l’écosystème
- 2.2Recherche et jugement des librairies
- 2.3Outils et logiciels de la Data Science
- 2.4Anaconda : distribution scientifique
- 2.5Intérêt et utilisation de l’environnement virtuel
- 2.6Interprétateur IPython & serveur Jupyter
- 2.7Best practices des projets de data science
- 2.8Format de fichiers scientifiques et librairies
- 2.9Travaux pratiques : Mise en place d’un environnement de développement
- Introduction de l'écosystème scientifique de Python9
- 3.1Tour d’horizon de l’écosystème
- 3.2Recherche et jugement des librairies
- 3.3Outils et logiciels de la Data Science
- 3.4Anaconda : distribution scientifique
- 3.5Intérêt et utilisation de l’environnement virtuel
- 3.6Interprétateur IPython & serveur Jupyter
- 3.7Best practices des projets de data science
- 3.8Format de fichiers scientifiques et librairies
- 3.9Travaux pratiques : Mise en place d’un environnement de développement
- Introduction de l'écosystème scientifique de Python9
- 4.1Tour d’horizon de l’écosystème
- 4.2Recherche et jugement des librairies
- 4.3Outils et logiciels de la Data Science
- 4.4Anaconda : distribution scientifique
- 4.5Intérêt et utilisation de l’environnement virtuel
- 4.6Interprétateur IPython & serveur Jupyter
- 4.7Best practices des projets de data science
- 4.8Format de fichiers scientifiques et librairies
- 4.9Travaux pratiques : Mise en place d’un environnement de développement
- Introduction de l'écosystème scientifique de Python9
- 5.1Tour d’horizon de l’écosystème
- 5.2Recherche et jugement des librairies
- 5.3Outils et logiciels de la Data Science
- 5.4Anaconda : distribution scientifique
- 5.5Intérêt et utilisation de l’environnement virtuel
- 5.6Interprétateur IPython & serveur Jupyter
- 5.7Best practices des projets de data science
- 5.8Format de fichiers scientifiques et librairies
- 5.9Travaux pratiques : Mise en place d’un environnement de développement
- Introduction de l'écosystème scientifique de Python9
- 6.1Tour d’horizon de l’écosystème
- 6.2Recherche et jugement des librairies
- 6.3Outils et logiciels de la Data Science
- 6.4Anaconda : distribution scientifique
- 6.5Intérêt et utilisation de l’environnement virtuel
- 6.6Interprétateur IPython & serveur Jupyter
- 6.7Best practices des projets de data science
- 6.8Format de fichiers scientifiques et librairies
- 6.9Travaux pratiques : Mise en place d’un environnement de développement
- SciPy Stack6
- SciPy Stack6
- SciPy Stack6
- SciPy Stack6
- SciPy Stack6
- SciPy Stack6
- Les librairies de visualisation7
- 13.1Tour d’horizon des librairies de visualisation
- 13.2Les librairies orientées desktop
- 13.3Les librairies orientées web
- 13.4Les librairies pour la 3D
- 13.5Les librairies cartographiques
- 13.6Les librairies big data
- 13.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Les librairies de visualisation7
- 14.1Tour d’horizon des librairies de visualisation
- 14.2Les librairies orientées desktop
- 14.3Les librairies orientées web
- 14.4Les librairies pour la 3D
- 14.5Les librairies cartographiques
- 14.6Les librairies big data
- 14.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Les librairies de visualisation7
- 15.1Tour d’horizon des librairies de visualisation
- 15.2Les librairies orientées desktop
- 15.3Les librairies orientées web
- 15.4Les librairies pour la 3D
- 15.5Les librairies cartographiques
- 15.6Les librairies big data
- 15.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Les librairies de visualisation7
- 16.1Tour d’horizon des librairies de visualisation
- 16.2Les librairies orientées desktop
- 16.3Les librairies orientées web
- 16.4Les librairies pour la 3D
- 16.5Les librairies cartographiques
- 16.6Les librairies big data
- 16.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Les librairies de visualisation7
- 17.1Tour d’horizon des librairies de visualisation
- 17.2Les librairies orientées desktop
- 17.3Les librairies orientées web
- 17.4Les librairies pour la 3D
- 17.5Les librairies cartographiques
- 17.6Les librairies big data
- 17.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Les librairies de visualisation7
- 18.1Tour d’horizon des librairies de visualisation
- 18.2Les librairies orientées desktop
- 18.3Les librairies orientées web
- 18.4Les librairies pour la 3D
- 18.5Les librairies cartographiques
- 18.6Les librairies big data
- 18.7Travaux pratiques : utilisations des différentes librairies, visualisation et création de tableaux de bord
- Data Visualisation4
- Data Visualisation4
- Data Visualisation4
- Data Visualisation4
- Data Visualisation4
- Data Visualisation4
- Formats de fichiers scientifiques & manipulation de données volumineuses2
- Formats de fichiers scientifiques & manipulation de données volumineuses2
- Formats de fichiers scientifiques & manipulation de données volumineuses2
- Formats de fichiers scientifiques & manipulation de données volumineuses2
- Formats de fichiers scientifiques & manipulation de données volumineuses2
- Formats de fichiers scientifiques & manipulation de données volumineuses2