- Description
- Curriculum
- FAQ
- Examens
Si vous souhaitez entrer dans le monde de la Data science et apprendre à Analyser et Visualiser des données, ce cours est fait pour vous !
Ce cours traite des bibliothèques scientifiques de Python particulièrement utilisées en Data Science: Numpy, Pandas et Matplotlib.
Tout au long de la formation, on passera en revu successivement les objets Numpy et les objets Pandas pour analyser des données issues du monde réel. Nous apprendrons aussi à choisir le bon type de graphique pour visualiser la donnée souhaitée.
Ce cours est également rempli d’exercices, de défis, de projets et d’opportunités pour que vous puissiez pratiquer directement ce que vous apprenez. Appliquez ce que vous apprenez à l’aide de datasets adaptés à chaque étape de votre apprentissage. Votre portfolio vous remerciera 😉
Ce cours en quelques chiffres :
-
+10 heures de vidéos
-
14 chapitres théoriques avec de nombreux exercices
-
1 challenge pour valider vos acquis
-
2 projets complets pour commencer un portfolio sur github
-
9 datasets divers et variés à explorer
Pourquoi apprendre Python?
Constamment classé une des compétences les plus demandées par les employeurs, Python est un moyen fantastique de stimuler votre développement professionnel que ce soit du côté data scientist, data analyst ou même développeur. Cette formation met l’accent sur les librairies Numpy, Pandas et matplotlib.
Pourquoi ce cours est différent ?
Ce ne sera pas un cours où vous allez regarder mon code pendant des heures. C’est un parcours où l’on pratique, on met les mains dans le code et on manipule soi même pendant des heures de la data. Mon but c’est surtout de vous donner l’envie d’investiguer à fond des datasets.
Une fois ce cours terminé, vous pourrez interagir avec n’importe quel fichier csv, déceler des tendances sur tout sujet qui vous intéresse 🙂
Alors, faisons ça ! Inscrivez-vous aujourd’hui et commencez à apprendre Python pour la Data Science !
-
11Introduction à NumPy
-
12Les tableaux avec NumPy
-
13Taille d'un tableau
-
14Lire un dataset avec NumPy
-
15Les types de données avec NumPy
-
16Afficher les données correctement
-
17Extraire une valeur depuis un tableau NumPy
-
18Extraire un vecteur de valeurs depuis un tableau NumPy
-
19Extraire un tableau de valeurs depuis un tableau NumPy
-
20Objectif
-
21Effectuer des comparaisons
-
22Sélectionner des éléments
-
23Effectuer des comparaisons avec plusieurs conditions
-
24Remplacer des valeurs dans un tableau NumPy
-
25Remplacer les chaines de caractères vides
-
26Convertir des types de données
-
27Réaliser des calcules mathématiques avec Numpy
-
28Calculer la consommation totale annuelle par habitant pour un pays donné
-
29Calculer la consommation pour chaque pays
-
30Trouver le pays qui consomme le plus d'alcool
-
31BONUS - TOP 50 des fonctions NumPy
-
32Introduction à la librairie Pandas
-
33Présentation du dataset
-
34Lire un fichier CSV avec Pandas
-
35Exploration du DataFrame
-
36Sélectionner une ligne
-
37Les types de données Pandas
-
38Sélectionner plusieurs lignes
-
39Sélectionner une colonne plutôt qu'une ligne
-
40Sélectionner plusieurs colonnes
-
41Cas pratique
-
50Introduction au dataset
-
51Trouver les valeurs manquantes
-
52Problème avec les valeurs manquantes
-
53Moyen plus simple de calculer une moyenne
-
54Calculer des statistiques de prix
-
55Introduction sur le Pivot de Table
-
56Table Pivot Niveau 2
-
57Eliminer les valeurs manquantes
-
58iloc pour accéder à des lignes
-
59Les index de colonne
-
60Réindexer les lignes d'un DataFrame
-
61Appliquer des fonctions sur un DataFrame
-
62Appliquer une fonction à une ligne
-
63Pratique: Calculer le pourcentage de survie par groupe d'âge