🇫🇷 Analyse de Données avec Python: Numpy, Pandas et Matplotlib

🇫🇷 Analyse de Données avec Python: Numpy, Pandas et Matplotlib

Analyse de Données avec Python: Numpy, Pandas et Matplotlib

Maîtriser les bibliothèques Python pour la Data Science et le Traitement de Données: Numpy, Pandas, Matplotlib, et plus!

Language: french

Note: 4.2/5 (88 notes) 9,620 students

Instructor(s): Meta Brains

Last update: 2022-06-16

What you’ll learn

  • Utiliser les bibliothèques scientifiques de Python, notamment NumPy, Pandas, et Matplotlib
  • Utiliser NumPy pour effectuer des analyses statistiques sur vos donnĂ©es (effectuer des comparaisons, sĂ©lectionner des Ă©lĂ©ments, remplacer des valeurs, etc.)
  • Transformer une colonne Ă  l’aide de Pandas pour manipuler les donnĂ©es. Utilisez le DataFrame Sorter pour trier et normaliser une colonne numĂ©rique.
  • Dessiner, adapter et analyser des courbes basĂ©es sur des exemples concrets
  • Analyser des donnĂ©es du monde rĂ©el
  • MaĂ®triser des tableaux NumPy (lire un jeu de donnĂ©es, extraire une valeur, extraire un vecteur, extraire une matrice…)
  • Utiliser Pandas pour lire un jeu de donnĂ©es ou un DataFrame pour l’exploration. Choisissez une colonne ou une ligne pour trier le DataFrame
  • RĂ©indexer un DataFrame

 

Requirements

  • Des connaissances de base en python sont un plus mais les dĂ©butants sont nĂ©anmoins les bienvenus (des rappels python sont fournis)
  • Vous n’aurez besoin de rien d’autre

 

Description

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 annĂ©es 1980 et 1990, les data scientists d’aujourd’hui sont censĂ©s avoir des compĂ©tences similaires. Les personnes ayant une formation en physique et en mathĂ©matiques ont affluĂ© vers les banques d’investissement et les fonds spĂ©culatifs Ă  cette Ă©poque parce qu’elles pouvaient proposer de nouveaux algorithmes et mĂ©thodes de donnĂ©es.

Ceci dit, la science des donnĂ©es est en train de devenir l’une des professions les mieux demandĂ©es du XXIe siècle. C’est un siècle ou beaucoup de choses sont informatisĂ©es, axĂ©es sur la programmation et de nature analytique. Par consĂ©quent, il n’est pas surprenant que le besoin de spĂ©cialistes des donnĂ©es ait augmentĂ© sur le marchĂ© de l’emploi au cours des dernières annĂ©es.

L’offre, en revanche, est assez restreinte. Il est difficile d’acquĂ©rir les connaissances et les capacitĂ©s requises pour travailler en tant que data scientist.

De nombreuses ressources pour apprendre Python sont disponibles en ligne. Pour cette raison, les Ă©tudiants sont souvent dĂ©passĂ©s par la courbe d’apprentissage Ă©levĂ©e de Python.

C’est pourquoi ce cours a Ă©tĂ© adaptĂ© pour vous que vous rĂ©ussissiez ! L’instruction Ă©tape par Ă©tape est la marque de fabrique de ce cours. Tout au long de chaque leçon, nous continuons Ă  construire sur ce que nous avons appris prĂ©cĂ©demment. Notre objectif est de vous doter de tous les outils et compĂ©tences dont vous avez besoin pour maĂ®triser Python, Numpy, Pandas & Matplotlib.

Vous repartirez de chaque vidéo avec une nouvelle idée que vous pourrez mettre en pratique immédiatement !

Tous les niveaux de compĂ©tence sont les bienvenus dans ce cours, et mĂŞme si vous n’avez aucune expĂ©rience prĂ©alable en programmation ou en statistiques, vous serez en mesure de rĂ©ussir !

 

Who this course is for

  • DĂ©butants en programmation qui souhaitent Ă©tudier toutes les bibliothèques scientifiques en Python de bout en bout (Numpy, Pandas et Matplotlib)
  • Chercheurs intĂ©ressĂ©s par les bibliothèques Python pour la science des donnĂ©es
  • Les aspirants data scientists qui veulent Ă©largir leurs connaissances
  • Une personne qui veut apprendre Ă  analyser et Ă  visualiser des donnĂ©es

 

Course content

  • Rappels sur le langage Python (facultatif)
    • Bienvenue au cours
    • Introduction Ă  Python pour la Data Science
    • Installation de Python pour la Data Science
    • Qu’est-ce que Jupyter Notebook ?
    • Installation d’Anaconda sur Windows, Mac & Ubuntu
    • ImplĂ©mentation de Python dans Jupyter
    • Gestion des RĂ©pertoires dans Jupyter Notebook
    • EntrĂ©e-Sortie
    • DiffĂ©rents Types de DonnĂ©es
    • Variables
    • OpĂ©rateurs ArithmĂ©tiques
    • OpĂ©rateurs de Comparaison
    • OpĂ©rateurs Logiques
    • Instructions Conditionnelles
    • Boucles
    • SĂ©quences : Listes
    • SĂ©quences : Dictionnaires
    • SĂ©quences : N-uplets
    • Fonctions intĂ©grĂ©es
    • Fonctions dĂ©finis par l’utilisateur
    • Supports de Cours: Python pour la Data Science
  • Bibliothèques Python essentielles pour la science des donnĂ©es
    • Installation des bibliothèques
    • Importation de bibliothèques
    • Bibliothèque Pandas pour la Data Science
    • Bibliothèque NumPy pour la Data Science
    • Pandas vs NumPy
    • Bibliothèque Matplotlib pour la Data Science
    • Bibliothèque Seaborn pour la Data Science
  • Fondamentaux de NumPy
    • Introduction au tableaux NumPy
    • CrĂ©ation de tableaux NumPy
    • Indexation des tableaux NumPy
    • Forme du tableau
    • ItĂ©ration sur des tableaux NumPy
  • MathĂ©matiques pour la Science des DonnĂ©es
    • .zeros()
    • .ones()
    • .full()
    • Addition d’un scalaire
    • Soustraction d’un scalaire
    • Multiplication par un scalaire
    • Diviser par un scalaire
    • Puissance
    • TransposĂ©e
    • Addition par Ă©lĂ©ments
    • Soustraction par Ă©lĂ©ments
    • Multiplication par Ă©lĂ©ments
    • Division par Ă©lĂ©ments
    • Multiplication matricielle
    • Statistiques
  • Dataframes avec Pandas et SĂ©ries
    • Qu’est-ce que le DataFrame Pandas ?
    • Qu’est-ce qu’une SĂ©rie Pandas ?
    • DataFrame et SĂ©ries
    • CrĂ©ation d’un DataFrame en utilisant des listes
    • CrĂ©ation d’un DataFrame Ă  l’aide d’un dictionnaire
    • Chargement d’un fichier csv en tant que DataFrame
    • Changer la colonne d’index
    • Inplace
    • Examen du Dataframe
    • RĂ©sumĂ© Statistique
    • OpĂ©rateur pour le dĂ©coupage en rangs
    • OpĂ©rateur pour l’indexation des colonnes
    • Listes BoolĂ©ennes
    • Filtrage des lignes
    • Filtrer les rangs en utilisant l’opĂ©rateur AND et OR
    • Filtrer avec loc
    • Filtrer avec iloc pour le dĂ©coupage en tranches
    • Ajout et suppression de lignes et de colonnes
    • Triage des valeurs
    • Exportation de DataFrame pandas en csv
    • ConcatĂ©nation de DataFrames
    • Groupby()
  • Nettoyage des DonnĂ©es
    • Introduction
    • Introduction au nettoyage des donnĂ©es
    • QualitĂ© des donnĂ©es
    • Exemples d’anomalies
    • DĂ©tection des anomalies grâce aux mĂ©dianes
    • DĂ©tection des anomalies grâce Ă  la moyenne
    • DĂ©tection des anomalies grâce Ă  la mĂ©thode Z-score
    • DĂ©tection des anomalies grâce Ă  l’écart interquartile
    • Gestion des valeurs manquantes
    • Expressions rationnelles
    • Mise Ă  l’échelle des caractĂ©ristiques
  • Visualisation de donnĂ©es Ă  l’aide de Python
    • Introduction
    • Ă€ propos de Matplotlib
    • TracĂ© des graphiques linĂ©aires
    • Titre, Étiquettes et LĂ©gende
    • TracĂ© des histogrammes
    • Traçage de diagrammes Ă  barres
    • Tracer des diagrammes circulaires
    • Tracer un diagramme de dispersion
    • Traçage de graphiques logarithmiques
    • Traçage de parcelles polaires
    • Manipulation des dates
    • CrĂ©ation de plusieurs graphes dans une figure
  • Analyse exploratoire des donnĂ©es
    • Qu’est-ce que l’analyse exploratoire des donnĂ©es?
    • Analyse univariĂ©e
    • Analyse bivariĂ©e – continue et continue
    • Analyse bivariĂ©e – catĂ©gorique et catĂ©gorique
    • Analyse bivariĂ©e – continue et catĂ©gorique
    • DĂ©tecter les valeurs aberrantes
    • Traiter les valeurs aberrantes
    • Transformation des variables catĂ©goriques
    • Ressources
  • SĂ©ries chronologiques
    • Introduction
    • Qu’est-ce qu’une sĂ©rie chronologique ?
    • Bibliothèques Python pour l’analyse des sĂ©ries chronologiques
    • Comment obtenir des sĂ©ries chronologiques ?
    • Obtenir des donnĂ©es sur les stocks en utilisant yfinance
    • Conversion d’un ensemble de donnĂ©es d’une sĂ©rie chronologique
    • Travailler avec des sĂ©ries chronologiques
    • Visualisation d’une sĂ©rie chronologique
    • Remerciements
  • Bonus: Projets python adaptĂ©es aux dĂ©butants
    • Introduction
    • Mini-Projet 1
    • Mini-Projet 2
    • Mini-Projet 3
    • Mini-Projet 4
    • Mini-Projet 5
    • Mini-Projet 6
    • Mini-Projet 7
    • Mini-Projet 8
    • Mini-Projet 9
    • Mini-Projet 10
    • Mini-Projet 11
    • Mini-Projet 12
    • Mini-Projet 13
    • Mini-Projet 14
    • Mini-Projet 15
    • Mini-Projet 16
    • Solutions

 

🇫🇷 Analyse de Données avec Python: Numpy, Pandas et Matplotlib🇫🇷 Analyse de Données avec Python: Numpy, Pandas et Matplotlib

Time remaining or 649 enrolls left

 

Don’t miss any coupons by joining our Telegram group 

Udemy Coupon Code 100% off | Udemy Free Course | Udemy offer | Course with certificate