Data Avant Garde

Objectifs

Maîtriser les techniques de traitement de données avancé.
Connaître les clés du langage Python et du module Pandas appliqués à la data et les méthodes de préparation efficace.
Savoir comment appliquer algorithmes et visualisation avec pertinence.
Acquérir confiance, autonomie et performance pour être en mesure de s'attaquer sans hésitation et avec pragmatisme aux challenges métiers complexes.
Développer des processus analytiques avancés efficaces, élégants et durables et créer des passerelles avec la data science.
 

Syllabus

1. La Capture de la donnée
Accéder à tout type de sources
• Les fichiers plats
• Les bases de données
• Les données non structurées, les pages web et documents
Focus sur le "data scraping"
• Récupérer des données sur les sites d'information
• Les techniques avancées de scraping de documents PDF
2. Le Profilage des données
Les étapes du profilage
• L'examen des types et de la structure des données
• L'analyse de la cohérence des information
• Les rapports de synthèse
Les outils du profilage
• Les astuces pythons
• Les commande Pandas
• Les conseils de Data Officers
3. La Préparation des données
La préparation des données
• Eliminer le superflux ou l'inutilisable
• Traiter les doublons ou les manquants
• Ajuster les formats et les types de données
• Nettoyer les chaines de caractères
• Inférer les valeurs manquantes
4. Faire parler la data
• Filtrer vos données
• Hierarchiser
• Grouper et Calculer
• Joindre
5. La visualisation des données
Les techniques de visualisation
• Pourquoi visualiser ?
• Programmer simplement ses visualisations
Les grandes familles de visualisation
• Les visualisations simples: avantages et limites
• Les visualisations avancées
• La visualisation des données géographiques
Les bonnes pratiques
6. Les règles d'Or du Data Wrangling
• Le code vient en dernier
• Toujours s'inspirer des bibliothèques existantes
• Coder le moins possible
• Commenter et respecter le formalisme
• Suivre le process de la donnée: charger-transformer-visualiser
• Ecrire du code que l'on peut comprendre
7. Pour aller plus loin
Des concepts complémentaires
• Listes
• Tuples
• Sets
• Dictionnaires
• Lire et écrire du texte
Les librairies pythons
8. L'application du Machine Learning
Les grandes familles d'algorithmes
• Régressions
• Classifications
• Clustering
L'utilisation des librairies
9. Les Responsabilités de l'Avant garde
La collaboration
• Data Science
• Informatique
• Métiers
La transparence
• Documenter
• Expliquer
• Former

Comment ?

Méthodes pédagogiques

1 poste par stagiaire
Remise d'un support pédagogique (numérique ou papier) pendant la formation
La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

********************
Formation distancielle, synchrone, avec le formateur en visioconférence
Partage d'écran formateur et stagiaire pour les présentations, démonstrations et vérification des mises en application
Un support technique accompagne la préparation et le suivi du parcours d'apprentissage
Séquençage pédagogique construit et adapté au mode d'organisation distanciel
Remise d'une documentation pédagogique numérique pendant le stage
La formation est constituée d'apports théoriques, d'exercices pratiques, de réflexions et de retours d'expérience

Évaluation

Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne
Attestation de fin de stage remise au stagiaire

***************
Évaluation du formateur au fil des séquences pédagogiques.
Auto-évaluation des acquis par le stagiaire via un questionnaire en ligne
Attestation de fin de stage remise au stagiaire