Analyse de Données avec Python: Numpy, Pandas et Matplotlib
- Descrição
- Currículo
- FAQ
- Revisões
Dans le marché du travail concurrentiel actuel, les data scientists sont tellement demandés qu’ils sont difficiles à garder. En effet, les personnes ayant une formation scientifique, informatique ainsi que des capacités analytiques sont difficiles à trouver.
Comme les “quants” de Wall Street dans les années 1980 et 1990, les data scientists d’aujourd’hui sont censés avoir des compétences similaires. Les personnes ayant une formation en physique et en mathématiques ont afflué vers les banques d’investissement et les fonds spéculatifs à cette époque parce qu’elles pouvaient proposer de nouveaux algorithmes et méthodes de données.
Ceci dit, la science des données est en train de devenir l’une des professions les mieux demandées du XXIe siècle. C’est un siècle ou beaucoup de choses sont informatisées, axées sur la programmation et de nature analytique. Par conséquent, il n’est pas surprenant que le besoin de spécialistes des données ait augmenté sur le marché de l’emploi au cours des dernières années.
L’offre, en revanche, est assez restreinte. Il est difficile d’acquérir les connaissances et les capacités requises pour travailler en tant que data scientist.
De nombreuses ressources pour apprendre Python sont disponibles en ligne. Pour cette raison, les étudiants sont souvent dépassés par la courbe d’apprentissage élevée de Python.
C’est pourquoi ce cours a été adapté pour vous que vous réussissiez ! L’instruction étape par étape est la marque de fabrique de ce cours. Tout au long de chaque leçon, nous continuons à construire sur ce que nous avons appris précédemment. Notre objectif est de vous doter de tous les outils et compétences dont vous avez besoin pour maîtriser Python, Numpy, Pandas & Matplotlib.
Vous repartirez de chaque vidéo avec une nouvelle idée que vous pourrez mettre en pratique immédiatement !
Tous les niveaux de compétence sont les bienvenus dans ce cours, et même si vous n’avez aucune expérience préalable en programmation ou en statistiques, vous serez en mesure de réussir !
-
1Bienvenue au coursVídeo Aula
-
2Introduction à Python pour la Data ScienceVídeo Aula
-
3Installation de Python pour la Data ScienceVídeo Aula
-
4Qu'est-ce que Jupyter Notebook ?Vídeo Aula
-
5Installation d'Anaconda sur Windows, Mac & UbuntuVídeo Aula
-
6Implémentation de Python dans JupyterVídeo Aula
-
7Gestion des Répertoires dans Jupyter NotebookVídeo Aula
-
8Entrée-SortieVídeo Aula
-
9Différents Types de DonnéesVídeo Aula
-
10VariablesVídeo Aula
-
11Opérateurs ArithmétiquesVídeo Aula
-
12Opérateurs de ComparaisonVídeo Aula
-
13Opérateurs LogiquesVídeo Aula
-
14Instructions ConditionnellesVídeo Aula
-
15BouclesVídeo Aula
-
16Séquences : ListesVídeo Aula
-
17Séquences : DictionnairesVídeo Aula
-
18Séquences : N-upletsVídeo Aula
-
19Fonctions intégréesVídeo Aula
-
20Fonctions définis par l'utilisateurVídeo Aula
-
21Supports de Cours: Python pour la Data ScienceTexto
-
22Installation des bibliothèquesVídeo Aula
-
23Importation de bibliothèquesVídeo Aula
-
24Bibliothèque Pandas pour la Data ScienceVídeo Aula
-
25Bibliothèque NumPy pour la Data ScienceVídeo Aula
-
26Pandas vs NumPyVídeo Aula
-
27Bibliothèque Matplotlib pour la Data ScienceVídeo Aula
-
28Bibliothèque Seaborn pour la Data ScienceVídeo Aula
-
34.zeros()Vídeo Aula
-
35.ones()Vídeo Aula
-
36.full()Vídeo Aula
-
37Addition d'un scalaireVídeo Aula
-
38Soustraction d'un scalaireVídeo Aula
-
39Multiplication par un scalaireVídeo Aula
-
40Diviser par un scalaireVídeo Aula
-
41PuissanceVídeo Aula
-
42TransposéeVídeo Aula
-
43Addition par élémentsVídeo Aula
-
44Soustraction par élémentsVídeo Aula
-
45Multiplication par élémentsVídeo Aula
-
46Division par élémentsVídeo Aula
-
47Multiplication matricielleVídeo Aula
-
48StatistiquesVídeo Aula
-
49Qu'est-ce que le DataFrame Pandas ?Vídeo Aula
-
50Qu'est-ce qu’une Série Pandas ?Vídeo Aula
-
51DataFrame et SériesVídeo Aula
-
52Création d'un DataFrame en utilisant des listesVídeo Aula
-
53Création d'un DataFrame à l'aide d'un dictionnaireVídeo Aula
-
54Chargement d'un fichier csv en tant que DataFrameVídeo Aula
-
55Changer la colonne d'indexVídeo Aula
-
56InplaceVídeo Aula
-
57Examen du DataframeVídeo Aula
-
58Résumé StatistiqueVídeo Aula
-
59Opérateur pour le découpage en rangsVídeo Aula
-
60Opérateur pour l'indexation des colonnesVídeo Aula
-
61Listes BooléennesVídeo Aula
-
62Filtrage des lignesVídeo Aula
-
63Filtrer les rangs en utilisant l'opérateur AND et ORVídeo Aula
-
64Filtrer avec locVídeo Aula
-
65Filtrer avec iloc pour le découpage en tranchesVídeo Aula
-
66Ajout et suppression de lignes et de colonnesVídeo Aula
-
67Triage des valeursVídeo Aula
-
68Exportation de DataFrame pandas en csvVídeo Aula
-
69Concaténation de DataFramesVídeo Aula
-
70Groupby()Vídeo Aula
-
71IntroductionVídeo Aula
-
72Introduction au nettoyage des donnéesVídeo Aula
-
73Qualité des donnéesVídeo Aula
-
74Exemples d’anomaliesVídeo Aula
-
75Détection des anomalies grâce aux médianesVídeo Aula
-
76Détection des anomalies grâce à la moyenneVídeo Aula
-
77Détection des anomalies grâce à la méthode Z-scoreVídeo Aula
-
78Détection des anomalies grâce à l’écart interquartileVídeo Aula
-
79Gestion des valeurs manquantesVídeo Aula
-
80Expressions rationnellesVídeo Aula
-
81Mise à l’échelle des caractéristiquesVídeo Aula
