Les données sont le nerf de la guerre pour les entreprises.
Le programme de la formation
-
Plus vous disposez de données, plus vous êtes en mesure d’en tirer des informations fiables. Ces dernières permettent d’anticiper les comportements des actifs ou des usagers/clients et d’obtenir un avantage concurrentiel.Segment 1 – Qu’est-ce que Python, Jupyter Notebook et AnacondaDans ce module le participant se familiarisera avec l’environnement Python
- Qu’est-ce que Jupyter Notebook
- Quelles sont les bases de la programmation avec Python :
– Quelles sont les variables en science des données
– Quels traitement des données peut-on opérer : Indexation, extraction, remplacement, modification, ajout, conversion, nettoyage, test d’appartenance, tri, les structures (les ensembles, les dictionnaires, etc.), les opérateurs mathématiques, les opérateurs de comparaisons, les opérateurs logiques, etc. - Comment utiliser le debugger
- Quelles sont les règles d’utilisation des conditions if, if-else et if-elif pour le contrôle de flux
- Quand utiliser les boucles while et for
- Comment créer vos propres fonctions (la syntaxe def, les inputs ou les paramètres, le corps de la fonction et les outputs : return)
- Quand et comment utiliser les fonctions lambda
- Comment charger ou installer des bibliothèques et des modules ou les packages de python
Segment 2 : Quelles sont les bibliothèques essentielles à la science des données
Dans ce module le participant se familiarisera avec les différentes bibliothèques propres à la science des données, et leur utilisation respective. Processus ETL (extract/transform/load)
Comment mener un processus qui permettra d’extraire, de transformer et de charger les données, à partir d’une source de données brutes, pour les besoins opérationnels.- Profiter de la bibliothèque Pandas (Panel Data ou Python Data Analysis) :
– Comment extraire les données de diverses sources (Excel, CSV, HTML, JSON, etc.) et les manipuler (nettoyer, filtrer et transformer)
– Comment repérer, supprimer et remplacer les données manquantes
– Comment traiter les doublons
– Gérer les agrégations des données (groupby) - Utiliser la bibliothèque Numpy pour créer ou générer des données (les simulations). Introduction à la simulation Monte-Carlo.
La modélisation
Comment modéliser les données pour conceptualiser les relations entre différents types d’informations, avec la bibliothèque Pandas :- Comment combiner les tables de données (ajouter et fusionner les tables)
- Comment transformer les données et comment créer des tables de données
- Comment assurer l’optimisation et la prévision des données avec les bibliothèques Statsmodels.api et Scpipy.stats.
La visualisation
Une fois les données extraites et modélisées il reste à voir comment les visualiser sous une forme graphique (diagramme, graphe, carte, animation…), plus facilement interprétable et exploitables.- Comment mettre à profit les bibliothèques Matplotlib et Seaborn pour :
– Visualiser, combiner et personnaliser les données : graphiques linéaires, nuage de points, boites à moustaches, violon, boxplot, carte de chaleur, etc.
– Sauvegarder un ou plusieurs graphiques (pdf, jpeg, etc.)
À qui s’adresse cette formation ?
Pour qui
-
Tout professionnel en entreprise (gestionnaires ou non gestionnaires) dont la fonction nécessite la réalisation d’analyses de données, financières ou non.
Prérequis
- Aucun
Les objectifs de la formation
-
À la fin de cette formation, le participant sera en mesure de valoriser ses données avec Python.
Méthode pédagogique
- Construction de l’habileté à partir d’exemples réels de complexité croissante, utilisation de l’application, explications, questions et discussion.
S’INSCRIRE EN INTER
| Date | 9 octobre 2025 à 14:00 4 décembre 2025 à 14:00 |
| Lieu | Classe virtuelle |
Copyright Technologia 2025 – Tous droits réservés