- Description
- Curriculum
- FAQ
- Examens
Python est reconnu comme l’un des meilleurs langages de programmation pour sa flexibilité. Il fonctionne dans presque tous les domaines, du développement Web au développement d’applications financières. Cependant, ce n’est un secret pour personne que la meilleure application de Python est dans les tâches de data science, d’analyse de données et de Machine Learning.
Bien que Python facilite l’utilisation du Machine Learning et de l’analyse de données, il sera toujours assez frustrant pour quelqu’un qui n’a aucune connaissance du fonctionnement de l’apprentissage automatique.
Si vous avez envie d’apprendre l’analyse de données et le Machine Learning avec Python, ce cours est fait pour vous. Ce cours vous aidera à apprendre à créer des programmes qui acceptent la saisie de données et automatisent l’extraction de fonctionnalités, simplifiant ainsi les tâches du monde réel pour les humains.
Il existe des centaines de ressources d’apprentissage automatique disponibles sur Internet. Cependant, vous risquez d’apprendre des leçons inutiles si vous ne filtrez pas ce que vous apprenez. Lors de la création de ce cours, nous avons tout filtré pour isoler les bases essentielles dont vous aurez besoin dans votre parcours d’apprentissage en profondeur.
C’est un cours de base qui convient aussi bien aux débutants qu’aux experts. Si vous êtes à la recherche d’un cours qui commence par les bases et passe aux sujets avancés, c’est le meilleur cours pour vous.
Il enseigne uniquement ce dont vous avez besoin pour vous lancer dans l’apprentissage automatique et l’analyse de données sans fioritures. Bien que cela aide à garder le cours assez concis, il s’agit de tout ce dont vous avez besoin pour commencer avec le sujet.
-
1Bienvenue au cours
-
2Introduction à Python pour la Data Science
-
3Installation de Python pour la Data Science
-
4Qu'est-ce que Jupyter Notebook ?
-
5Installation d'Anaconda sur Windows, Mac & Ubuntu
-
6Implémentation de Python dans Jupyter
-
7Gestion des Répertoires dans Jupyter Notebook
-
8Entrée-Sortie
-
9Différents Types de Données
-
10Variables
-
11Opérateurs Arithmétiques
-
12Opérateurs de Comparaison
-
13Opérateurs Logiques
-
14Instructions Conditionnelles
-
15Boucles
-
16Séquences : Listes
-
17Séquences : Dictionnaires
-
18Séquences : N-uplets
-
19Fonctions intégrées
-
20Fonctions définis par l'utilisateur
-
21Supports de Cours: Python pour la Data Science
-
34.zeros()
-
35.ones()
-
36.full()
-
37Addition d'un scalaire
-
38Soustraction d'un scalaire
-
39Multiplication par un scalaire
-
40Diviser par un scalaire
-
41Puissance
-
42Transposée
-
43Addition par éléments
-
44Soustraction par éléments
-
45Multiplication par éléments
-
46Division par éléments
-
47Multiplication matricielle
-
48Statistiques
-
49Introduction
-
50Structure de données Pandas
-
51Qu'est-ce que le DataFrame Pandas ?
-
52Qu'est-ce qu’une Série Pandas ?
-
53DataFrame et Séries
-
54Création d'un DataFrame en utilisant des listes
-
55Création d'un DataFrame à l'aide d'un dictionnaire
-
56Chargement d'un fichier csv en tant que DataFrame
-
57Changer la colonne d'index
-
58Inplace
-
59Examen du Dataframe
-
60Résumé Statistique
-
61Opérateur pour le découpage en rangs
-
62Opérateur pour l'indexation des colonnes
-
63Listes Booléennes
-
64Filtrage des lignes
-
65Filtrer les rangs en utilisant l'opérateur AND et OR
-
66Filtrer avec loc
-
67Filtrer avec iloc pour le découpage en tranches
-
68Ajout et suppression de lignes et de colonnes
-
69Triage des valeurs
-
70Exportation de DataFrame pandas en csv
-
71Concaténation de DataFrames
-
72Groupby()
-
81Introduction à la régression
-
82Comment fonctionne la régression linéaire ?
-
83Représentation de ligne
-
84Implémentation en python : Importation de bibliothèques et de jeux de données
-
85Implémentation en python : Distribution des données
-
86Implémentation en python : Créer un objet de régression linéaire