L'importance de la data science

Lumen Learning Lab a également conçu une petite vue comparative entre les traces numériques brutes et le type de synthèses dont les équipes ont réellement besoin.

Basculez entre activité brute et information structurée.
Réfléchissez à ce qui se passe à mesure que la vie quotidienne laisse de plus en plus de traces numériques.

Répondez ensuite à la question ci-dessous. Qu'est-ce qui rend la data science plus importante aujourd'hui que jamais ?

Cet exercice fait partie du cours

<cours>Comprendre la Data Science</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Comprendre la Data Science</cours>

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

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.

Exercise 1: Qu’est-ce que la science des données ?Exercise 2: La data science partout !Exercise 3: L'importance de la data science

Exercice actuel

Exercise 4: Applications de la science des données Exercise 5: La science des données au quotidien Exercise 6: La science des assistants intelligents Exercise 7: Rôles et outils de la science des données Exercise 8: Choisir le bon candidat Exercise 9: Un rôle de scientifique des données

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.

Exercise 1: Sources de données Exercise 2: Tri des sources de données Exercise 3: Fréquences de l'asthme Exercise 4: Types de données Exercise 5: Classification des types de données Exercise 6: Net Promoter Score Exercise 7: Suivi d’activité Exercise 8: Stockage et récupération des données Exercise 9: Plateformes cloud Exercise 10: Interroger une base de données Exercise 11: Quel type de base de données ?Exercise 12: Pipelines de données Exercise 13: Caractéristiques d’un pipeline de données Exercise 14: Extraire Transformer Charger (ETL)

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.

Exercise 1: Préparation des données Exercise 2: Aux frontières du réel Exercise 3: Êtes-vous prêt ?Exercise 4: Analyse exploratoire des données (EDA)Exercise 5: EDA numérique Exercise 6: EDA visuelle Exercise 7: Visualisation Exercise 8: Tableaux de bord interactifs Exercise 9: Améliorer un tableau de bord

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.

Exercise 1: Tests A/B Exercise 2: Création d’un workflow pour les tests A/B Exercise 3: Signification statistique Exercise 4: Résultats intermédiaires Exercise 5: Prévision de séries temporelles Exercise 6: Classification de données de séries temporelles Exercise 7: Interpréter un graphique de séries temporelles Exercise 8: Machine learning supervisé Exercise 9: Quand utiliser l’apprentissage supervisé Exercise 10: Features et labels Exercise 11: Évaluation du modèle Exercise 12: Clustering Exercise 13: Supervisé ou non supervisé Exercise 14: Choix du nombre de clusters Exercise 15: Félicitations !