Data Analytics

MODULE 1 : FONDEMENTS DE L’ANALYSE DES DONNÉES

• Introduction à l’analyse des données
• Préparation des données pour l’analyse
• Problèmes courants liés aux données
• Différents outils pour l’analyse des données
• Évolution du domaine de l’analyse

MODULE 2 : CLASSIFICATION DE L’ANALYSE

• Quatre types d’analyse
• Analyse descriptive
• Analyse diagnostique
• Analyse prédictive
• L’analyse prescriptive
• L’apport humain dans les différents types d’analyse

MODULE 3 : Modèle CRIP-DM

• Introduction au modèle CRIP-DM
• Compréhension de l’entreprise
• Compréhension des données
• Préparation des données
• Modélisation
• L’évaluation
• Déploiement
• Contrôle

MODULE 4 : ANALYSE DES DONNÉES UNIVARIÉES

• Statistiques sommaires – Détermine le centre et la dispersion de la valeur.
• Mesure des tendances centrales : Moyenne, médiane et mode
• Mesures de variabilité : Étendue, intervalle interquartile, variance et écart type
• Tableau de fréquence – Il indique la fréquence d’apparition de diverses valeurs.
• Graphiques – Représentation visuelle de la distribution des valeurs.

MODULE 5 : ANALYSE DES DONNÉES AVEC DES GRAPHIQUES VISUELS

• Graphique en ligne
• Graphique en colonnes/barres
• Diagramme en cascade
• Diagramme en arbre
• Diagramme en boîte

MODULE 6 : ANALYSE DES DONNÉES A DEUX VARIABLES

• Diagrammes de dispersion
• Analyse de régression
• Coefficients de corrélation

MODULE 1 : PRINCIPES DE BASE DE PYTHON

• Introduction à Python
• Installation de Python et de l’IDE
• Objets Python
• Types de données de base de Python
• Nombre et booléens, chaînes de caractères
• Opérateurs arithmétiques
• Opérateurs de comparaison
• Opérateurs d’affectation
• Précédence et associativité des opérateurs

MODULE 2 : INSTRUCTIONS DE CONTRÔLE PYTHON

• Instruction conditionnelle IF
• IF-ELSE
• IF NESTÉ
• Les bases des boucles Python
• Déclaration WHILE
• Instructions FOR
• Les instructions BREAK et CONTINUE

MODULE 3 : STRUCTURES DE DONNÉES EN PYTHON

• Structure de données de base en Python
• Les bases de l’objet String et les méthodes intégrées
• Liste : Objet, méthodes, compréhensions
• Tuple : Objet, méthodes, compréhensions
• Ensembles : Objet, méthodes, compréhensions
• Dictionnaire : Objet, méthodes, compréhensions

MODULE 4 : FONCTIONS PYTHON

• Notions de base sur les fonctions
• Passage des paramètres d’une fonction
• Itérateurs
• Fonctions génératrices
• Fonctions lambda
• Fonctions de mappage, de réduction et de filtrage

MODULE 5 : PAQUETAGE PYTHON NUMPY

• Introduction à NumPy
• Tableau – Structure de données
• Fonctions principales de Numpy
• Opérations matricielles

MODULE 6 : PAQUET PYTHON PANDAS

• Fonctions Pandas
• Cadre de données et séries – Structure de données
• Traitement des données avec Pandas
• Imputation et analyse des valeurs aberrantes

MODULE 1 : L’ESSENTIEL DE LA SCIENCE DES DONNÉES

• Introduction à la science des données
• Terminologie de la science des données
• Classifications des analyses
• Déroulement d’un projet de science des données

MODULE 2 : BASES DE L’INGÉNIERIE DES DONNÉES

• Introduction à l’ingénierie des données
• Importance de l’ingénierie des données
• Ecosystèmes d’outils d’ingénierie des données
• Concepts fondamentaux de l’ingénierie des données

MODULE 3 : PYTHON POUR L’ANALYSE DES DONNÉES

• Introduction à Python
• Types de données Python, opérateurs
• Déclarations de contrôle de flux, fonctions
• Données structurées et non structurées
• Introduction du paquetage Python Numpy
• Structures de données en tableau dans Numpy
• Opérations et méthodes sur les tableaux
• Introduction au paquet Python Pandas
• Structures de données : Séries et DataFrame
• Méthodes clés de Pandas DataFrame

MODULE 4 : VISUALISATION AVEC PYTHON

• Paquets de visualisation (Matplotlib)
• Composantes d’un graphe, sous-graphes
• Graphiques de base : Ligne, barre, graphique, nuage de points
• Visualisations de données avancées en Python

MODULE 5 : STATISTIQUES

• Statistiques descriptives et inférentielles
• Types de données, types d’échantillonnage
• Mesures des tendances centrales
• Variabilité des données : Écart-type
• Z-Score, valeurs aberrantes, distribution normale
• Théorème de la limite centrale
• Histogramme, tests de normalité
• Skewness et Kurtosis
• Comprendre les tests d’hypothèse
• Méthode de la valeur P, types d’erreurs
• Distribution T, test T à un échantillon
• Tests T indépendants et relationnels
• Corrélation directe et indirecte
• Théorie de la régression

MODULE 6 : INTRODUCTION À L’APPRENTISSAGE AUTOMATIQUE

• Introduction à l’apprentissage automatique
• Concepts fondamentaux de l’apprentissage automatique
• Apprentissage non supervisé et supervisé
• Clustering avec K-Means
• Modèles de régression et de classification.
• Algorithme de régression : Régression linéaire
• Évaluation des modèles ML
• Algorithme de classification : Régression logistique

MODULE 1 : ANALYSE DE COMPARAISON ET DE CORRÉLATION

• Comparaison des données Introduction
• Concept de corrélation
• Calcul de la corrélation avec Excel
• Comparaison et corrélation
• Effectuer une analyse de comparaison sur des données
• Exécution d’une analyse de corrélation sur des données
• Étude de cas pratique 1 : Analyse de comparaison
• Étude de cas pratique 2 : Analyse de corrélation

MODULE 2 : ANALYSE DE VARIANCE ET DE FRÉQUENCE

• Concept de variabilité et de variance
• Préparation des données pour l’analyse de la variance
• Cas d’utilisation de l’analyse de variance et de fréquence
• Exécution de l’analyse de la variance et de la fréquence
• Étude de cas pratique 1 : Analyse de la variance
• Étude de cas pratique 2 : Analyse de fréquence

MODULE 3 : ANALYSE DE CLASSEMENT

• Introduction à l’analyse de classement
• Préparation des données pour l’analyse de classement
• Réalisation d’une analyse de classement avec Excel
• Perspectives pour l’analyse de classement
• Étude de cas pratique : Analyse de classement

MODULE 4 : ANALYSE DU SEUIL DE RENTABILITÉ

• Concept de l’analyse du seuil de rentabilité
• Décision d’achat ou de vente avec l’analyse du seuil de rentabilité
• Préparation des données pour l’analyse du seuil de rentabilité
• Étude de cas pratique : Décision d’achat avec seuil de rentabilité

MODULE 5 : ANALYSE DE PARETO (RÈGLE 80/20)

• Introduction à la règle de Pareto
• Préparation des données pour l’analyse de Pareto
• Perspectives d’optimisation des opérations grâce à l’analyse de Pareto
• Exécution de l’analyse de Pareto sur les données
• Étude de cas pratique : Analyse de Pareto

MODULE 6 : Séries chronologiques et analyse des tendances

• Introduction aux données de séries temporelles
• Préparation des données pour l’analyse des séries temporelles
• Types de tendances
• Analyse des tendances des données avec Excel
• Les enseignements de l’analyse des tendances
• Étude de cas pratique : Analyse des tendances

MODULE 7 : ANALYSE DES DONNÉES RAPPORTS D’ACTIVITÉ

• Introduction au système d’information de gestion
• Différents formats de rapports de données
• Création de rapports d’analyse de données en fonction des besoins
• Présentation des rapports
• Étude de cas pratique : Créer des rapports d’analyse de données

MODULE 1 : FONDEMENTS DE L’ANALYSE DES DONNÉES

• Vue d’ensemble de l’analyse d’entreprise
• Application de l’analyse d’entreprise
• Perspective visuelle
• Avantages de l’analyse d’entreprise
• Défis
• Classification de l’analyse d’entreprise
• Sources de données
• Fiabilité et validité des données
• Modèle d’analyse commerciale

MODULE 2 : MODÈLES D’OPTIMISATION

• Analyse prescriptive avec une faible incertitude
• Modélisation mathématique et modélisation décisionnelle
• Analyse du seuil de rentabilité
• Fixation du prix des produits avec la modélisation prescriptive
• Construction d’un modèle d’optimisation
• Étude de cas 1 : Optimisation du réseau WonderZon
• Devoir 1 : KERC Inc, Quantité optimale de fabrication

MODULE 3 : ANALYSE PRÉDICTIVE AVEC RÉGRESSION

• Les mathématiques au-delà de la régression linéaire
• Travaux pratiques : Modélisation de la régression dans Excel
• Étude de cas 2 : Décision de promotion des ventes avec l’analyse de régression
• Affectation 2 : Conception d’un tableau de décision marketing pour QuikMark Inc.

MODULE 4 : MODÉLISATION DES DÉCISIONS

• Analyse prescriptive en cas d’incertitude élevée
• Comparaison de décisions dans des contextes incertains
• Arbres de décision pour la modélisation décisionnelle
• Étude de cas 3 : Modélisation décisionnelle des plans Internet, simulation de Monte Carlo
• Étude de cas 4 : Modélisation décisionnelle des fournisseurs du détaillant de sport Kickathlon

MODULE 1 : INTRODUCTION À L’APPRENTISSAGE AUTOMATIQUE

• Qu’est-ce que l’apprentissage automatique ? L’apprentissage automatique et l’intelligence artificielle
• Flux de travail de l’apprentissage automatique, algorithmes d’apprentissage automatique populaires
• Regroupement, classification et régression
• Supervisé ou non supervisé

MODULE 2 : ALGO ML : RÉGRESSION LINÉAIRE

• Introduction à la régression linéaire
• Fonctionnement : Régression et ligne de meilleur ajustement
• Pratique de la régression linéaire avec l’outil ML

MODULE 3 : ML ALGO : RÉGRESSION LOGISTIQUE

• Introduction à la régression logistique
• Fonctionnement : Classification et courbe sigmoïde
• Travaux pratiques sur la régression logistique avec l’outil ML

MODULE 4 : ML ALGO : KNN

• Introduction au KNN
• Comment ça marche : Concept du plus proche voisin
• Pratique du KNN avec l’outil ML

MODULE 5 : ALGO ML : K MEANS CLUSTERING

• Comprendre le clustering (non supervisé)
• Algorithme K Means
• Comment ça marche : théorie de K Means
• Travaux pratiques sur le clustering K Means avec ML Tool

MODULE 6 : ALGO ML : ARBRE DE DÉCISION

• Technique d’ensemble Random Forest
• Fonctionnement : Théorie de l’ensachage
• Travaux pratiques sur l’arbre de décision avec l’outil ML

MODULE 7 : ALGO ML : MACHINE À VECTEURS DE SUPPORT (SVM)

• Introduction au SVM
• Comment ça marche : Concept de SVM, astuce du noyau
• Modélisation et évaluation des SVM en Python

MODULE 8 : RÉSEAU DE NEURONES ARTIFICIELS (ANN)

• Introduction à l’ANN
• Fonctionnement : Back prop, Gradient Descent
• Modélisation et évaluation des ANN en Python

MODULE 9 : PROJET : ANALYSE PRÉDICTIVE AVEC ML

• Exigences commerciales du projet
• Modélisation des données
• Construction d’un modèle prédictif avec un outil ML
• Évaluation et déploiement
• Documentation et rapport du projet

MODULE 1 : INTRODUCTION À GIT

• Objectif du contrôle de version
• Outils populaires de contrôle de version
• Distribution de Git Contrôle de version
• Terminologie
• Flux de travail Git
• Architecture Git

MODULE 2 : REPOSITORY GIT et GitHub

• Introduction à Git Repo
• Créer un nouveau repo avec la commande Init
• Copier un repo existant
• Utilisateur Git et nœud distant
• Statut Git et rebase
• Revue de l’historique du repo
• GitHub Cloud Remote Repo

MODULE 3 : COMMITS, PULL, FETCH ET PUSH

• Commits de code
• Pull, Fetch et résolution de conflits
• Pousser vers Remote Repo

MODULE 4 : BALISAGE, BRANCHEMENT ET FUSION

• Organiser le code avec des branches
• Vérifier la branche
• Fusionner les branches

MODULE 5 : ANNULER LES MODIFICATIONS

• Édition des modifications (Commits)
• Commande Commit Indicateur de modification
• Git reset et revert

MODULE 6 : GIT AVEC GITHUB ET BITBUCKET

• Création d’un compte GitHub
• Repo local et distant
• Collaborer avec d’autres développeurs
• Compte Git Bitbucket

MODULE 1 : INTRODUCTION À LA BASE DE DONNÉES

• Vue d’ensemble de la base de données
• Concepts clés de la gestion des bases de données
• Opérations CRUD
• Système de gestion de bases de données relationnelles
• RDBMS vs No-SQL (Document DB)

MODULE 2 : BASES SQL

• Introduction aux bases de données
• Introduction à SQL
• Commandes SQL
• Installation de MY SQL workbench
• Commentaires
• importer et exporter des données

MODULE 3 : TYPES DE DONNÉES ET CONTRAINTES

• Type de données numériques, caractères, date et heure
• Clé primaire, Clé étrangère, Non nul
• Unique, Check, default, Auto increment

MODULE 4 : Bases de données et tables (MySQL)

• Créer une base de données
• Supprimer une base de données
• Afficher et utiliser les bases de données
• Créer une table, Renommer une table
• Supprimer une table, Supprimer les enregistrements d’une table
• Créer une nouvelle table à partir de types de données existants
• Insérer dans, Mettre à jour les enregistrements
• Modifier un tableau

MODULE 5 : JOINTS SQL

• Jointure interne
• Jointure externe
• Jointure gauche
• Jointure droite
• Jointure croisée
• Jointure entre soi

MODULE 6 : COMMANDES ET CLAUSES SQL

• Sélection, Sélection distincte
• Alias, clause Where
• Opérateurs relationnels, logiques
• Entre, Ordre par, Dans
• Like, Limit, null/not null, group by
• Avoir, Sous-requêtes

MODULE 7 : BASE DE DONNÉES DE DOCUMENTS/BASE DE DONNÉES NON SQL

• Introduction de Document DB
• Document DB vs SQL DB
• Bases de données documentaires populaires
• Les bases de MongoDB
• Format des données et méthodes clés
• Gestion des données MongoDB

MODULE 1: BIG DATA INTRODUCTION

• Aperçu du Big Data
• Les cinq aspects du Big Data
• Qu’est-ce que le Big Data et Hadoop ?
• Introduction à Hadoop
• Composants de l’écosystème Hadoop
• Introduction à l’analyse des Big Data

MODULE 2 : HDFS ET MAP REDUCE

• HDFS – Stockage des Big Data
• Traitement distribué avec Map Reduce
• Concepts des étapes de mappage et de réduction
• Termes clés : Format de sortie, partitionneurs, combinateurs, mélange et tri
• Travaux pratiques sur Map Reduce

MODULE 3 : FONDATION DE PYSPARK

• Introduction à PySpark
• Configuration de Spark
• Ensembles de données distribués résilients (RDD)
• Travailler avec des RDD dans PySpark
• Agréger des données avec des RDDs en paire

MODULE 4 : SPARK SQL et HADOOP HIVE

• Présentation de Spark SQL
• Spark SQL vs Hadoop Hive
• Travailler avec le langage de requête Spark SQL

MODULE 5 : APPRENTISSAGE AUTOMATIQUE AVEC SPARK ML

• Introduction à MLlib Différents algorithmes ML supportés par Mlib
• Modèle ML avec Spark ML.
• Régression linéaire
• Régression logistique
• Forêt aléatoire

MODULE 6 : KAFKA et Spark

• Architecture de Kafka
• Flux de travail Kafka
• Configuration du cluster Kafka
• Opérations

MODULE 1 : INTRODUCTION À LA VEILLE STRATÉGIQUE

• Qu’est-ce que la Business Intelligence (BI) ?
• Qu’est-ce que la BI au cœur des décisions d’affaires ?
• L’évolution de la BI
• Intelligence d’affaires et analyse d’affaires
• Décisions basées sur les données avec les outils de BI
• La méthodologie Crisp-Dm

MODULE 2 : BI AVEC TABLEAU : INTRODUCTION

• L’interface Tableau
• Le classeur Tableau, les feuilles et les tableaux de bord
• Tableaux filtres, lignes et colonnes
• Dimensions et mesures
• Distribution et publication

MODULE 3 : TABLEAU : CONNEXION AUX SOURCES DE DONNÉES

• Connexion à un fichier de données, à un serveur de base de données
• Gestion des champs
• Gestion des extraits
• Sauvegarde et publication des sources de données
• Préparation des données avec des fichiers texte et Excel
• Types de jointures avec union
• Jointures entre bases de données
• Mélange de données
• Connexion aux fichiers PDF

MODULE 4 : TABLEAU : PERSPECTIVES D’AFFAIRES

• Premiers pas dans l’analyse visuelle
• Exploration et hiérarchies
• Tri et regroupement
• Créer et travailler avec des ensembles
• Utilisation de l’étagère de filtres
• Filtres interactifs
• Paramètres
• Le volet de formatage
• Lignes de tendance et lignes de référence
• Prévision
• Regroupement

MODULE 5 : TABLEAUX DE BORD, HISTOIRES ET PAGES

• Tableaux de bord et histoires Introduction
• Construction d’un tableau de bord
• Objets du tableau de bord
• Formatage du tableau de bord
• Interactivité du tableau de bord à l’aide d’actions
• Points d’histoire
• Animation avec les pages

MODULE 6 : BI AVEC POWER-BI

• Les bases de Power BI
• Visualisations de base
• Perspectives d’affaires avec Power BI

MODULE 1 : VUE D’ENSEMBLE DE L’INTELLIGENCE ARTIFICIELLE

• Évolution de l’intelligence humaine
• Qu’est-ce que l’intelligence artificielle ?
• Histoire de l’intelligence artificielle.
• Pourquoi l’intelligence artificielle aujourd’hui ?
• Terminologie de l’Ai
• Domaines de l’intelligence artificielle
• Ai Vs Data Science Vs Machine Learning

MODULE 2 : INTRODUCTION AU DEEP LEARNING

• Réseau neuronal profond
• Apprentissage automatique vs apprentissage profond
• Apprentissage des caractéristiques dans les réseaux profonds
• Applications des réseaux d’apprentissage profond

MODULE 3 : FONDATION DE TENSORFLOW

• Installation et configuration de TensorFlow
• Structure et modules de TensorFlow
• Travaux pratiques : modélisation ML avec TensorFlow

MODULE 4 : INTRODUCTION À LA VISION PAR ORDINATEUR

• Notions d’image
• Réseau de neurones à convolution (CNN)
• Classification d’images avec CNN
• Travaux pratiques : classification des chats et des chiens avec le réseau CNN

MODULE 5 : TRAITEMENT DU LANGAGE NATUREL (TLN)

• Introduction au NLP
• Modèles de sacs de mots
• Intégration de mots
• Modélisation du langage
• Travaux pratiques : Algorithme BERT

MODULE 6 : QUESTIONS ET PRÉOCCUPATIONS ÉTHIQUES LIÉES À L’AI

• Questions et préoccupations liées à l’intelligence artificielle
• Ai et préoccupations éthiques
• L’IA et les préjugés
• Ai : Éthique, partialité et confiance