À la fin de ce module, les apprenants auront acquis des compétences essentielles pour travailler avec différents types de données. Ils auront une bonne maîtrise des principes fondamentaux de la programmation Python, y compris les structures de données et les bibliothèques. Ils maîtriseront le chargement, le nettoyage et la transformation des données et seront capables d'effectuer une analyse exploratoire des données, en utilisant des techniques de visualisation des données. Ils auront également un aperçu des concepts statistiques de base, tels que les probabilités, les distributions et les tests d'hypothèse.

A la fin de ce module, les apprenants auront acquis une compréhension globale des concepts statistiques, des techniques d'exploration des données et des méthodes de visualisation. Les apprenants développeront les compétences nécessaires pour identifier les modèles, les valeurs aberrantes et les relations dans les données, afin de prendre des décisions éclairées et de formuler des hypothèses. En fin de compte, ils seront capables de transformer des données brutes en informations significatives, de communiquer efficacement leurs résultats par le biais d'une narration de données et d'appliquer l'EDA à diverses applications du monde réel.

A la fin de ce module, les apprenants auront acquis les compétences essentielles pour transformer efficacement des données brutes et souvent désordonnées en un format structuré et approprié pour une analyse avancée. Ils maîtriseront les techniques de traitement des valeurs manquantes, d'identification et de traitement des valeurs aberrantes, d'encodage des variables catégorielles, de mise à l'échelle et de normalisation des caractéristiques numériques, et de traitement des données textuelles ou non structurées. Les apprenants sauront également détecter et traiter les incohérences des données, telles que les doublons et les erreurs. Les apprenants seront capables de traiter les données pour les rendre aptes à une analyse plus approfondie. A l'issue de ce module, A l'issue de ce module, A l'issue de ce module, A l'issue de ce module

À la fin de ce module, les apprenants auront acquis une compréhension approfondie de la manière de créer et d'améliorer les caractéristiques afin d'optimiser les performances des modèles d'apprentissage automatique. Ils seront capables d'identifier les variables pertinentes, de créer de nouvelles caractéristiques grâce à des techniques telles que l'encodage à une touche, le binning et l'expansion polynomiale, et d'extraire des informations précieuses à partir de données existantes, telles que des dates ou du texte, en utilisant des méthodes telles que l'extraction de caractéristiques et la vectorisation de texte. Les apprenants comprendront également le concept de mise à l'échelle et de normalisation des caractéristiques afin d'assurer la cohérence et la comparabilité des gammes de caractéristiques. Grâce à ces compétences, ils seront en mesure de façonner efficacement les données, d'amplifier leur pouvoir prédictif et de contribuer à la construction de pipelines d'apprentissage automatique robustes et performants.