Le cours "Projet d'analyse de données" permet aux étudiants d'appliquer leurs connaissances et compétences acquises dans cette spécialisation pour mener à bien un projet réel d'analyse de données qui les intéresse. Les participants exploreront diverses orientations de l'analyse de données, notamment l'apprentissage supervisé et non supervisé, la régression, le Clustering, la réduction des dimensions, les règles d'association et la détection des valeurs aberrantes. Tout au long des modules, les étudiants apprendront des techniques et des méthodologies essentielles d'analyse de données et s'embarqueront pour un voyage des données brutes vers la connaissance et l'intelligence. En terminant le cours, les étudiants seront compétents en analyse de données, capables d'appliquer leur expertise dans divers projets et de prendre des décisions fondées sur les données.À la fin de ce cours, les étudiants seront en mesure de : 1. Comprendre les concepts fondamentaux et les méthodologies de l'analyse de données dans diverses directions, y compris l'apprentissage supervisé et non supervisé, la régression, le clustering, la réduction des dimensions, les règles d'association et la détection des valeurs aberrantes. 2. Analyser de données et l'orientation d'un projet d'analyse de données, en identifiant les techniques et méthodologies appropriées pour atteindre les objectifs du projet. 3. Appliquer divers algorithmes de classification, tels que les plus proches voisins, les arbres de décision, les SVM, les Classification naïve bayésienne et la Régression logistique, pour des tâches de modélisation prédictive. 4. Mettre en œuvre des techniques de validation croisée et d'ensemble pour améliorer les performances et la généralisation des modèles de classification. 5. Appliquer des algorithmes de régression, y compris linéaire simple, linéaire polynomiale et linéaire avec régularisation, pour modéliser et prédire des résultats numériques. 6. Effectuer une régression multivariée et appliquer la validation croisée et les méthodes d'ensemble dans l'analyse de régression. 7. Explorer les techniques de Clustering, y compris les méthodes de partitionnement, hiérarchiques, basées sur la densité et basées sur la grille, pour découvrir les modèles et les structures sous-jacents dans les données. 8. Appliquer l'Analyse en composantes principales (ACP) pour la réduction de la dimensionnalité afin de simplifier les données à haute dimension et de faciliter la visualisation des données. 9. Utiliser les algorithmes Apriori et FPGrowth pour extraire des règles d'association et découvrir des associations d'éléments intéressantes dans les données transactionnelles. 10. Appliquer des méthodes de détection des valeurs aberrantes, y compris Zscore, Écart-type, OneClassSVM, Isolation Forest, DBSCAN et LOF, pour identifier les points de données anormaux et les valeurs aberrantes contextuelles. Tout au long du cours, les étudiants participeront activement aux tutoriels, aux exercices pratiques et à l'étude de cas du projet d'analyse de données, acquérant ainsi une expérience pratique dans diverses techniques d'analyse de données. En atteignant les objectifs d'apprentissage, les participants seront bien équipés pour exceller dans les projets d'analyse de données et prendre des décisions fondées sur des données dans des scénarios du monde réel.