We'll start the course by defining what data science is. We'll cover the data science workflow and how data science is applied to real-world problems. We'll finish the chapter by learning about different roles within the data science field.

What is data science?

Data science everywhere!

Importance of data science

Applications of data science

Daily dose of data science

The science of smart assistants

Data science roles and tools

Selecting the right candidate

A data scientist role

Introduction to Data Science

Now that we understand the data science workflow, we'll dive deeper into the first step: data collection and storage. We'll learn about the different data sources you can draw from, what that data looks like, how to store the data once it's collected, and how a data pipeline can automate the process.

Sources de données

Requêtes

Données d’entreprise

Données open source

Tri des sources de données

Asthma frequencies

Types de données

Options

Données quantitatives

Données qualitatives

Classification des types de données

Net promoter score

Suivi d’activité

Stockage et récupération des données

Plateformes cloud

Querying a database

Ensembles de données

Base de données relationnelle

Base de données documentaire

Quel type de base de données ?

Pipelines de données

Caractéristiques d’un pipeline de données

Tâches

Extraire

Transformer

Charger

Extraire Transformer Charger (ETL)

Data Collection and Storage

Data preparation is fundamental: data scientists spend 80% of their time cleaning and manipulating data, and only 20% of their time actually analyzing it. This chapter will show you how to diagnose problems in your data, deal with missing values and outliers. You will then learn about visualization, another essential tool to both explore your data and convey your findings.

Data preparation

The truth is out there

Are you prepared?

Exploratory Data Analysis

Numerical EDA

Visual EDA

Visualization

Interactive dashboards

Improving a dashboard

Preparation, Exploration, and Visualization

In this final chapter, we'll discuss experimentation and prediction! Beginning with experiments, we'll cover A/B testing, and move on to time series forecasting where we'll learn about predicting future events. Finally, we'll end with machine learning, looking at supervised learning, and clustering.

A/B Testing

Creating an A/B testing workflow

Statistical significance

Intermediate results

Time series forecasting

Classifying time series data

Interpret a time series plot

Supervised machine learning

When to use supervised learning

Features and labels

Model Evaluation

Clustering

Supervised vs. unsupervised

Cluster size selection

Congratulations!

Experimentation and Prediction

Course Glossary

Qu’est-ce que la science des données, pourquoi est-elle si populaire et pourquoi la Harvard Business Review l’a-t-elle qualifiée de « métier le plus sexy du 21e siècle » ? Dans ce cours non technique, vous découvrirez les réponses à toutes les questions que vous n’avez jamais osé poser sur ce domaine passionnant et en pleine expansion, sans avoir besoin d’écrire une seule ligne de code. Grâce à des exercices pratiques, vous découvrirez les différents rôles des scientifiques des données, les thèmes fondamentaux tels que les tests A/B, l’analyse des séries temporelles et le machine learning, ainsi que la manière dont les scientifiques des données extraient des connaissances et des insights à partir de données réelles. Ne vous laissez pas décourager par les expressions tendance. Commencez à apprendre, développez des compétences dans ce domaine extrêmement demandé et découvrez pourquoi la science des données concerne tout le monde !

Les vidéos contiennent des transcriptions en direct que vous pouvez afficher en cliquant sur « Afficher la transcription » en bas à gauche des vidéos.

Le glossaire du cours, le matériel promotionnel et les objectifs d'apprentissage détaillés se trouvent à droite dans la section « Ressources ».

Pour obtenir des crédits CPE, vous devez suivre le cours dans son intégralité et obtenir une note d’au moins 70 % à l'évaluation qualifiante. Vous pouvez accéder à l'évaluation en cliquant sur la mention « Crédits CPE » à droite.

Découvrez la data science, sa popularité et apprenez avec des exercices pratiques. Aucun code requis.

Comprendre la science des données

Une introduction à la science des données sans codage.

Comprendre les thèmes des données

Le poids individuel de tous les chiens d’un refuge

La moyenne des températures journalières à New York en 2019

Le prix d’une tasse de café dans les cafés parisiens

Les avis concernant une propriété sur Airbnb

La couleur des yeux des personnes participant à une étude

Classification des types de données

Exercice interactif pratique