or
Cet exercice fait partie du cours
Nous commencerons par définir ce qu'est la data science. Nous verrons le workflow de data science et comment il s'applique à des problèmes concrets. Nous terminerons le chapitre en présentant les différents rôles au sein du domaine.
Maintenant que vous connaissez le workflow de data science, approfondissons la première étape : la collecte et le stockage des données. Nous verrons les différentes sources de données possibles, à quoi ces données ressemblent, comment les stocker une fois collectées, et comment un pipeline de données peut automatiser le processus.
La préparation des données est fondamentale : les data scientists passent 80 % de leur temps à nettoyer et transformer les données, et seulement 20 % à les analyser. Ce chapitre vous montrera comment diagnostiquer les problèmes dans vos données, gérer les valeurs manquantes et les valeurs aberrantes. Vous apprendrez ensuite la visualisation, un outil essentiel pour explorer vos données et présenter clairement vos résultats.
Dans ce dernier chapitre, nous parlerons d'expérimentation et de prédiction. Nous commencerons par les expériences avec les tests A/B, puis passerons à la prévision de séries temporelles pour apprendre à anticiper des événements futurs. Enfin, nous conclurons avec le Machine Learning, en abordant l'apprentissage supervisé et le clustering.
Exercice actuel