Dans ce module, vous améliorerez vos compétences en matière de Data wrangling à l'aide de Python en apprenant des techniques pour nettoyer, transformer et préparer les données pour l'analyse. Vous travaillerez avec des ensembles de données du monde réel pour gérer les valeurs manquantes, formater et normaliser les données, regrouper les valeurs numériques et convertir les variables catégorielles. Dans le cadre de travaux pratiques guidés, vous appliquerez ces compétences aux ensembles de données des ordinateurs portables et des prix des voitures d'occasion. Vous recevrez également un aide-mémoire qui vous servira de référence rapide tout au long du processus d'apprentissage.

Dans ce module, vous développerez des compétences essentielles en analyse exploratoire des données (AED) à l'aide de Python. Vous apprendrez à effectuer des calculs sur les données pour calculer les informations statistiques descriptives de base, telles que les valeurs moyenne, médiane, mode et quartile, et à utiliser ces informations pour mieux comprendre la distribution des données. Vous apprendrez à regrouper les données pour mieux visualiser les tendances, à utiliser la méthode de corrélation de Pearson pour comparer deux variables numériques continues et à appliquer le test du chi carré pour évaluer les associations entre les variables catégorielles et interpréter les résultats. En outre, vous disposerez d'une antisèche qui vous servira de référence rapide pour les fonctions et méthodes d'AED les plus couramment utilisées.

Dans ce module, vous explorerez les principes fondamentaux du développement de modèles dans l'analyse des données à l'aide de Python. Vous apprendrez à construire, visualiser et évaluer différents types de modèles de régression, y compris les modèles de régression linéaire simple, linéaire multiple et polynomiale, ainsi que les pipelines pour rationaliser vos flux de travail. Vous interpréterez également les performances des modèles à l'aide d'indicateurs clés et d'outils visuels tels que les diagrammes d'estimation de la densité du noyau (KDE). Des laboratoires pratiques renforceront votre apprentissage à l'aide d'ensembles de données pratiques tels que les prix des voitures d'occasion et des ordinateurs portables. En outre, l'antisèche servira de référence rapide pour la construction et l'évaluation de modèles prédictifs.

Dans ce module, vous affinerez vos compétences en modélisation prédictive en apprenant à évaluer, régler et sélectionner des modèles pour des performances optimales. Vous explorerez des concepts tels que l'overfitting, l'underfitting et l'ajustement des hyperparamètres à l'aide de la Recherche par quadrillage. Vous apprendrez également à utiliser la régression ridge pour régulariser et réduire les erreurs standard afin d'éviter le surajustement d'un modèle de régression. Grâce à des travaux pratiques, vous appliquerez ces techniques à des ensembles de données réels afin de construire des modèles robustes et généralisables. Une antisèche est incluse pour vous guider dans le choix des bons outils et des bonnes métriques pour l'optimisation des modèles.

Dans ce dernier module, vous appliquerez le flux de travail complet d'analyse des données, de l'importation et du nettoyage des données à la construction et à l'évaluation de modèles sur des ensembles de données du monde réel. Vous réaliserez un projet pratique et un projet final basés sur des ensembles de données liés aux coûts d'assurance et au prix des maisons. Pour le projet final, vous jouerez le rôle d'un Analyste de données au sein d'une société d'investissement immobilier cherchant à investir dans des propriétés résidentielles. Vous travaillerez avec un ensemble de données contenant des informations détaillées sur les prix des maisons et diverses caractéristiques des propriétés, et votre tâche consistera à analyser les données et à prédire les valeurs du marché immobilier. Ces projets sont conçus pour consolider vos compétences et vous préparer à relever les défis de l'analyse des données dans le monde réel. De plus, vous soumettrez le bloc-notes du projet final à des fins d'évaluation. Votre soumission sera notée par l'IA. Enfin, vous démontrerez votre compréhension et votre application des concepts clés de l'analyse des données par le biais d'un examen final.