Extraire les données pertinentes de la base de données de manière efficace et rapide

Construire des requêtes SQL puissantes pour obtenir des informations

Analyser et gérer de grands ensembles de données et tirer des conclusions à partir de bases de données relationnelles complexes

Permettre aux étudiants de créer et de modifier des bases de données pour résoudre des problèmes professionnels pertinents

Sélectionner et utiliser des graphiques pertinents pour des problèmes de données appropriés

Utilisez PowerBI pour vous connecter à des données de formats différents

Communiquer des informations clés sur les problèmes de l'entreprise à l'aide de rapports et de tableaux de bord

Créez des visualisations avancées sur Power BI en utilisant DAX

Construisez des pipelines pandas pour nettoyer, transformer et agréger des ensembles de données du monde réel.

Effectuer des AED et calculer des statistiques descriptives pour résumer la qualité et le comportement des données.

Appliquer des tests d'hypothèse (t-test/khi carré) et interpréter les résultats en vue de prendre des décisions commerciales.

Créez des graphiques de qualité (barres/lignes/boîtes/cartes thermiques) avec Matplotlib et Seaborn.

Expliquer comment les humains se comportent lorsqu'on leur donne des données pour calculer des résultats

Démontrer comment les perceptions, les préjugés et les partis pris affectent la prise de décision humaine

Illustrer que la prise de décision humaine est un défi et que les humains ont besoin d'aide pour prendre de meilleures décisions

Résumez la manière dont les humains peuvent collaborer efficacement avec l'IA, en surmontant leurs préjugés, leurs perceptions et leurs idées préconçues

Construire des modèles d'apprentissage automatique en utilisant les différentes étapes d'un flux de travail typique d'apprentissage automatique

Appliquer les métriques appropriées pour divers problèmes commerciaux afin d'évaluer la performance des modèles d'apprentissage automatique

Développer des modèles d'apprentissage automatique basés sur la régression et l'arborescence pour faire des prédictions sur des problèmes commerciaux pertinents

Analyser les problèmes commerciaux pour lesquels des modèles d'apprentissage automatique non supervisés pourraient être utilisés pour tirer de la valeur des données

Utiliser des techniques de régularisation pour améliorer la performance et la robustesse du modèle.

Exploitez les méthodes d'ensemble, telles que le bagging et le boosting, pour améliorer la précision des prédictions.

Mettre en œuvre l'ajustement des hyperparamètres et l'ingénierie des caractéristiques afin d'affiner les modèles pour les défis du monde réel.

Combinez divers modèles pour obtenir des prédictions supérieures, en élargissant votre boîte à outils prédictive.

Expliquer l'importance de la narration des données pour communiquer des informations et faciliter la prise de décision

Appliquer diverses techniques de visualisation pour créer une histoire de données convaincante

Appliquer diverses techniques pour rédiger un récit convaincant pour une histoire de données

Créez un récit de données captivant en intégrant des données pertinentes, une visualisation claire et une narration convaincante.