Exigences : Aucune programmation n'est requise pour ce cours, les logiciels et outils nécessaires seront fournis.

Équipement requis :

• Ordinateur portable Windows/MAC avec au moins 4 Go de RAM et une connexion internet d'au moins 25 Mbps.
• Casque avec microphone et webcam.
• Capacité à communiquer oralement en anglais.
• Capacité à suivre un cours de niveau collégial/universitaire (des études de premier cycle ou une expérience professionnelle équivalente sont idéales).

Objectifs :

Ce cours pratique est destiné à toute personne souhaitant apprendre à transformer des données en informations exploitables. Les étudiants apprendront les principes de l'exploration, du nettoyage, de la modélisation et du déploiement des données en utilisant des statistiques et des algorithmes d'apprentissage automatique pour résoudre des problèmes commerciaux réels.

Dans la première partie du cours, l'instructeur fera une démonstration théorique et pratique en direct, suivie de questions de la part des étudiants ; dans la deuxième partie du cours, les étudiants travailleront sur un travail spécifique. Une présentation du projet final peut être exigée.

Thèmes abordés :

• Introduction au processus d'analyse des données (1 heure).
• Introduction aux types de données et à la gestion des données en Python (4 heures).
• Exploration visuelle des données et analyse statistique des données en Python (5 heures).
• Introduction à la modélisation des données (1 heure).
• Modèles de classification en Python (5 heures).
• Modèles de régression en Python (5 heures).
• Réalisation d'un clustering en Python (4 heures).
• Accompagnement et présentation d'un projet collectif ou individuel (5 heures).

A la fin de ce cours, les étudiants seront capables de :

• Comprendre le processus d'analyse des données, de la définition des objectifs au déploiement organisationnel.
• Explorer en Python des données provenant de plusieurs sources, y compris le web, Excel et des fichiers plats. Construire et interpréter des graphiques statistiques standard, notamment des histogrammes, des diagrammes à barres, des diagrammes de dispersion, des diagrammes linéaires et des diagrammes en boîte.
• Appliquer des algorithmes d'apprentissage automatique à des modèles de données de régression et de classification. Communiquer les résultats clés à un public non technique.