Python pour la Data Science | Mode E-Learning

Python pour la Data Science

Python et la Data Science
⦁ Choisir Python pour la Data Science
⦁ La bibliothèque NumPy
⦁ Le type et la taille des vecteurs NumPy
⦁ Initialisation et tableau NumPy
⦁ Accéder aux données d’un tableau NumPy à une dimension
⦁ Accéder aux données d’un tableau NumPy à deux dimensions
⦁ Algèbre linéaire avec NumPy
⦁ Tableau NumPy versus liste Python
⦁ Statistique descriptive avec NumPy
Visualisation de données
⦁ Installer Anaconda et Jupyter
⦁ Travailler avec Jupyter
⦁ La bibliothèque Pandas
⦁ Accéder aux données d’un Data Frame
⦁ Filtrer les données d’un Data Frame
⦁ Trier les données d’un Data Frame
⦁ Les statistiques de base avec un Data Frame
⦁ Lecture des fichiers de grandes tailles avec Pandas
Les statistiques inférentielles avec Python
⦁ Utilisation des méthodes melt et apply
⦁ Extraire des informations à partir des données existantes
⦁ Créer de nouvelles variables à partir des données existantes
⦁ Visualiser les données avec Matplotlib
⦁ La loi Normale
⦁ Introduction aux tests d’hypothèses
⦁ Test statistique de comparaison de deux moyennes
Modélisation multivariée avec Python
⦁ Introduction à la régression linéaire
⦁ Exemple de modélisation avec la régression linéaire
⦁ Introduction à l’algorithme Support Vector Machine
⦁ Exemple de modélisation avec un Support Vector Machine
⦁ Introduction à l’algorithme de K-Means
⦁ Exemple de l’algorithme K-Means
⦁ Conclusion

Visualisation de données avec Matplotlib – Créez des graphiques professionnels et intuitifs

Introduction à la visualisation de données
⦁ La visualisation de données
⦁ Pourquoi utiliser Matplotlib ?
⦁ Installation et prise en main de Matplotlib
⦁ Les différentes typologies de graphiques
⦁ Premiers pas avec Matplotlib
⦁ Structure de base
⦁ Tracer un premier graphique
⦁ Sauvegarder et afficher les graphiques
⦁ Afficher plusieurs courbes
Tracer ses premiers graphiques
⦁ Les diagrammes en barres
⦁ Les histogrammes
⦁ Les courbes
⦁ Les diagrammes en secteurs
⦁ Les graphiques de dispersion
⦁ Les graphiques en aires
⦁ Les graphiques en 3D et leurs animations
⦁ Les graphiques avec axes multiples
⦁ Les boxplots
Personnaliser ses graphiques
⦁ Changer la couleur, le style et les marqueurs
⦁ Ajouter des labels et des titres
⦁ Ajouter une légende
⦁ Gestion des axes
⦁ Gestion des sous-graphiques
⦁ Ajout d’annotations et de texte
⦁ Personnalisation avancée

Statistiques descriptives avec Python

Introduction aux statistiques
⦁ Prérequis
⦁ Introduction aux statistiques
⦁ Pourquoi les statistiques avec Python ?
⦁ Installer son environnement de travail
⦁ Les statistiques descriptives
Statistiques descriptives
⦁ Importer un échantillon avec Pandas
⦁ Structure des données
⦁ Manipulation des données avec Pandas
⦁ Utiliser les fonctions avancées de Pandas
⦁ Utiliser la fonction apply
⦁ Etudier une variable quantitative
⦁ Etudier une variable qualitative
Le pouvoir de la visualisation de données
⦁ Introduction à Matplotlib
⦁ Ajouter des couleurs dans vos graphiques
⦁ Utiliser les histogrammes
⦁ Utiliser les boîtes à moustache
⦁ Etudier les relations entre deux variables
Tests paramétrique et non paramétrique
⦁ La loi normale centrée réduite
⦁ Estimer une moyenne
⦁ Test d’hypothèse
⦁ Calcul de la p-value
⦁ La modélisation statistique
⦁ Statistiques vs Machine Learning
⦁ Conclusion