Ce module présente les techniques essentielles d'analyse de données en cours d'utilisation de Python et de la bibliothèque Pandas. Vous apprendrez à importer et à travailler efficacement avec des données, en exploitant les DataFrames et les Series pour manipuler, filtrer et analyser des ensembles de données. Le module couvre des concepts fondamentaux tels que la vectorisation pour l'optimisation des performances, la distinction entre les attributs et les méthodes, et la réalisation de statistiques descriptives. En outre, vous explorerez les techniques de visualisation des données et les méthodes de segmentation pour extraire des informations significatives à partir de données structurées.

Ce module se concentre sur la visualisation de données en cours d'utilisation Python, couvrant les outils et techniques essentiels pour créer des visuels efficaces. Vous apprendrez à générer des visualisations directement à partir de pandas DataFrames et Series, ainsi qu'à utiliser des bibliothèques populaires comme Matplotlib et Seaborn pour développer des tracés personnalisés. Le module explore différents types de visualisation, depuis les graphiques linéaires et les diagrammes à barres de base jusqu'aux graphiques de distribution et catégoriels avancés. En outre, vous apprendrez à améliorer la lisibilité grâce au style, aux annotations et aux choix de conception afin de mettre en évidence les tendances, les modèles et les anomalies dans les données.

Ce module présente l'inférence statistique et la modélisation de la régression à l'aide de Python. Vous apprendrez à construire des intervalles de confiance, à effectuer des tests d'hypothèse avec des tests t, et à simuler des données à l'aide de NumPy. Le module couvre à la fois la régression linéaire simple et multiple, en vous guidant à travers le développement de modèles, l'interprétation des métriques clés (telles que le R-carré, les valeurs p et les coefficients), et la prédiction de nouveaux points de données. En outre, vous explorerez les méthodes d'encodage des variables catégorielles, évaluerez les performances des modèles à l'aide de métriques d'erreur et affinerez les modèles de régression à l'aide de Grands modèles de langage (LLM).

Ce module explore le travail avec des données de séries chronologiques en Python, en se concentrant sur les objets DateTime, l'indexation et la visualisation. Vous apprendrez à manipuler des données temporelles, à appliquer des statistiques descriptives et à segmenter des séries temporelles en fonction de caractéristiques de dates clés. Le module couvre les techniques de rééchantillonnage et de remise en forme, ainsi que l'utilisation de la régression linéaire simple et multiple pour modéliser les tendances et la saisonnalité. En outre, vous évaluerez les modèles de prévision en utilisant des mesures d'erreur appropriées pour évaluer leur performance.