Dans ce module, vous apprendrez à nettoyer et à préparer des ensembles de données pour l'analyse grâce à diverses techniques de traitement des données. Vous travaillerez avec des données extraites du Web et appliquerez des méthodes telles que le renommage de colonnes, le nettoyage de texte à l'aide d'expressions régulières et la suppression de liens ou de caractères inutiles. Vous apprendrez également à gérer les données manquantes, à convertir les valeurs catégorielles en formats numériques et à normaliser les données afin de préparer l'ensemble de données pour une analyse plus poussée. Grâce à des travaux pratiques, vous vous exercerez à utiliser des fonctions et des techniques de manipulation de données pour transformer des données brutes en un format propre et structuré.

À ce stade du projet Capstone, vous avez acquis de précieuses connaissances pratiques en matière de collecte et de traitement des données. Vous avez également beaucoup appris sur les requêtes SQL et la visualisation. Félicitations ! Il est maintenant temps d'appliquer certaines de vos nouvelles connaissances et d'apprendre les techniques d'analyse exploratoire des données (AED), toujours par la pratique. Vous pouvez utiliser les ensembles de données que vous avez manipulés dans le module précédent. Cependant, si vous avez eu des difficultés à compléter le wrangling, ne vous inquiétez pas - nous avons préparé des ensembles de données propres que vous pouvez utiliser. Il vous sera demandé de réaliser trois laboratoires :

Dans ce module, vous apprendrez à construire et à évaluer des modèles de régression pour prédire la demande horaire de vélos en libre-service en utilisant des données météorologiques et temporelles. Vous commencerez par construire un modèle de régression linéaire de base, puis vous améliorerez le modèle en incorporant des termes polynomiaux, d'interaction et de régularisation. Grâce à des travaux pratiques, vous comparerez différents modèles et évaluerez leurs performances à l'aide de mesures telles que le R au carré et le RMSE. Vous analyserez également l'influence des variables prédictives en examinant et en visualisant leurs coefficients.

Dans ce module, vous apprendrez à construire un tableau de bord interactif en utilisant R Shiny pour visualiser les prévisions de la demande de vélos en libre-service. Vous créerez un tableau de bord qui intègre une carte Leaflet pour afficher la demande prédite dans différentes villes et permettre aux utilisateurs d'explorer les résultats grâce à des contrôles interactifs tels que des menus déroulants. Vous améliorerez également le tableau de bord en incorporant des visualisations de données avec ggplot2 pour afficher les tendances détaillées de la demande de vélos en libre-service pour les villes sélectionnées. Grâce à des travaux pratiques, vous acquerrez une expérience concrète dans la conception et l'amélioration d'applications de données interactives.

Dans ce dernier module, vous vous concentrerez sur la présentation des résultats de votre projet. Vous créerez une présentation PowerPoint complète qui mettra en évidence les étapes clés de votre analyse, les idées que vous avez découvertes et les résultats de votre travail de modélisation prédictive. Vous apprendrez les meilleures pratiques pour structurer et communiquer efficacement des résultats fondés sur des données. Après avoir préparé votre présentation, vous soumettrez votre projet final soit par le biais d'une soumission notée par l'IA, soit par le biais d'une soumission évaluée par les pairs.