Apprendre la data science par la pratique avec Python !
ERROR
00:00
00:00

TUTO Apprendre la data science par la pratique avec Python !

Sébastien Daviot
50,00€

Téléchargement & visionnage illimité

Satisfait ou remboursé

Paiement 100% sécurisé

L’univers de la data et plus particulièrement de la data science est un domaine de compétence en explosion depuis plusieurs années à travers le monde. Vous le savez déjà ? C’est pour ça que vous être là ? Parfait 
 

Au programme de cette formation Apprendre la data science par la pratique avec Python !

Cette formation en vidéo vous propose de plonger au cœur de la data science en partant de zéro et d’obtenir des connaissances opérationnelles sur un très large éventail de sujets :

  • Les bases du langage Python
  • Les plus populaires librairies pour manipuler de la donnée
  • Les principales méthodes d’extraction de données (fichier, API, SQL, webscraping)
  • L’analyse de données
  • La Data visualisation
  • La construction de vos premiers modèles de machine learning

Prérequis

  • Aucune compétence préliminaire requise
  • Un ordinateur (ah, vraiment ?!)
  • Pouvoir installer un logiciel (gratuit)

 

La construction du cours : de la pratique, de la pratique et de la pratique !

Les cours théoriques à base de 300 slides Powerpoint ça n’est pas votre truc ? Moi non plus !
L’immense partie du cours se passe directement dans l’interface de programmation où vous pourrez suivre mes différentes manipulations sur les principes que viendrez d’apprendre avec moi. L’idée est que vous suiviez mon rythme et ainsi lancer vos premiers scripts ensemble, pas à pas.

A la fin de chaque partie vous aurez un travail pratique à réaliser seul à partir d’un jeu de données fournies, puis passer aux corrections avec moi.
Si vous aviez été sur le Titanic, pensez-vous que vous auriez fait partie des survivants ?
Quelle est la boisson la plus calorique de la marque Starbuks ?
Savez-vous quel jour de la semaine sont le plus souvent mise à jour le prix des articles sur les sites e-commerce ?
Pensez-vous qu’il est possible de créer un assistant vocal en 3 lignes de code ?
Saviez-vous qu’il existe un groupe de musique métal connu en Andorre ?
Si vous ne vous étiez jamais poser ces questions mais que cela a attisé votre curiosité, sachez que vous découvrirez vous-même les réponses grâce aux TP ludiques créés pour ce cours !
 

Que contient cette formation Data Science ?

  • 15 heures de cours vidéo avec correction des exercices inclus
  • Tous les jeux de données bruts utilisés durant le cours
  • Tous les supports de cours au format notebook
  • Tous les exercices et TP au format Notebook
  • Un salon d'entraide pour répondre à vos questions
  • De la bonne humeur

À qui ce cours s'adresse-t-il ?

  • Toute personne souhaitant apprendre le langage Python pour la data
  • Toute personne souhaitant comprendre ce qu’est la data science.
  • Toute personne voulant tester ses connaissances et se frotter à des cas pratiques complets

Qu’allez-vous apprendre dans ce cours ?

Plan de cours
Chapitre 1
Introduction
Chapitre 2
Installation et première prise en main de l’environnement de travail
Chapitre 3
Les bases du langage Python
Chapitre 4
Les conditions
Chapitre 5
Les listes
Chapitre 6
Les dictionnaires
Chapitre 7
Les boucles

Plan détaillé du cours

Chapitre 1 : Introduction
01m13s
 
Leçon 1Qu'est ce que la data science ?
Chapitre 2 : Installation et première prise en main de l’environnement de travail
20m59s
 
Leçon 1Présentation et installation d’Anaconda
Leçon 2Découverte d’Anaconda
Leçon 3Maîtrise du notebook Jupyter : les bases
Leçon 4Maîtrise du notebook Jupyter : enregistrer son travail
Chapitre 3 : Les bases du langage Python
56m
 
Leçon 1Introduction
Leçon 2Concept de variable et déclaration d’une variable
Leçon 3Concept de type de variable
Leçon 4Les chiffres et les opérateurs mathématiques
Leçon 5Les strings et les opérateurs
Leçon 6Vérifier et modifier le type d’une variable
Leçon 7Maîtrise de jupyter notebook : session 2
Leçon 8Présentation exercices
Leçon 9Corrections exercices
Chapitre 4 : Les conditions
27m55s
 
Leçon 1Les conditions logiques
Leçon 2La structure des conditions
Leçon 3Présentation exercices
Leçon 4Corrections exercices
Leçon 5Corrections exercices (fin)
Chapitre 5 : Les listes
31m15s
 
Leçon 1Concept et déclaration d'une liste en Python
Leçon 2Consultation et analyse d'une liste
Leçon 3Manipulations d'une liste
Leçon 4Travaux pratiques : tout le monde à bord ! Analyse des données du Titanic !
Leçon 5Correction travaux pratiques
Chapitre 6 : Les dictionnaires
21m31s
 
Leçon 1Qu’est ce qu’un dictionnaire ?
Leçon 2Navigation et manipulation sur un dictionnaire
Leçon 3Les dictionnaires multi-valeurs
Leçon 4Travaux pratiques : brisons la glace ! Analyse des données du Titanic !
Leçon 5Correction travaux pratiques
Chapitre 7 : Les boucles
19m18s
 
Leçon 1Concept des boucles avec While
Leçon 2La boucle For
Leçon 3Création de listes de chiffres
Chapitre 8 : Les fonctions
27m14s
 
Leçon 1Le concept de fonction
Leçon 2Les paramètres de fonctions
Leçon 3"Return" dans les fonctions
Leçon 4Les paramètres optionnels
Leçon 5TP : les boucles et les fonctions d'abord ! Analyse des données du Titanic !
Leçon 6Corrections exercices
Chapitre 9 : Les librairies
11m03s
 
Leçon 1Importer et utiliser une librairie
Leçon 2Utiliser le gestionnaire PIP
Chapitre 10 : Maîtriser la librairie Numpy
40m14s
 
Leçon 1Créer un tableau et sélectionner des valeurs
Leçon 2Faire des opérations dans un tableau
Leçon 3Analyser un tableau
Leçon 4Manipuler un tableau
Leçon 5La fonction "Arrange"
Leçon 6TP ! Analyse des boissons délivrées dans les Starbucks
Leçon 7Correction travaux pratiques
Chapitre 11 : Maîtriser la librairie Pandas
1h57m
 
Leçon 1Créer votre premier Dataframe
Leçon 2Comprendre la composition d'un Dataframe
Leçon 3Navigation dans un Dataframe
Leçon 4Faire une boucle dans un Dataframe
Leçon 5Le Data cleaning
Leçon 6Les premières analyses avec Pandas
Leçon 7Introduction au feature modeling
Leçon 8Rassembler plusieurs jeux de données dans un Dataframe
Leçon 9Gestion des dates dans un Dataframe
Leçon 10Modifier le paramétrage de Pandas
Leçon 11TP ! Partons faire un peu de shopping sur un site e-commerce !
Leçon 12Correction travaux pratiques
Chapitre 12 : Apprendre la Data visualisation
1h10m
 
Leçon 1Créer son premier graphique
Leçon 2Apprendre à gérer le multi graph
Leçon 3Le bar chart
Leçon 4L'histogramme de répartition
Leçon 5Le nuage de points et scatter matrix
Leçon 6La librairie Seaborn
Leçon 7TP ! Quel est ton Digimon préféré ?
Leçon 8Corrections exercices
Chapitre 13 : Maîtriser les APi pour extraire de la data !
43m40s
 
Leçon 1Qu'est ce qu'une API ?
Leçon 2Qu'est ce que le format Json ?
Leçon 3Comment requêter une API en Python ?
Leçon 4Transformer du Json en Dataframe
Leçon 5Dynamiser le paramétrage de vos appels API
Leçon 6TP ! Récupérez des Data sur les pays du monde !
Leçon 7Correction travaux pratiques
Chapitre 14 : Apprendre le Web scraping
31m43s
 
Leçon 1Qu'est ce que le web scraping ?
Leçon 2La librairie "Beautifulsoup"
Leçon 3TP ! Crawler un site e-commerce pour récupérer des données sur les produits !
Leçon 4Correction travaux pratiques
Chapitre 15 : Maîtriser le langage SQL
1h13m
 
Leçon 1Introduction au SQL
Leçon 2Faire des filtres du votre base de données
Leçon 3Faire des tris
Leçon 4Faire des calculs en SQL
Leçon 5Group by et les Alias
Leçon 6Les concepts de clé primaire et étrangère
Leçon 7Faire des jointures en SQL
Leçon 8TP : analyser les parcours des velib' de San Fransisco
Leçon 9Correction travaux pratiques
Chapitre 16 : Une première approche de la statistique descriptive
45m32s
 
Leçon 1Les types de variables
Leçon 2Les statistiques de base
Leçon 3Qu'est ce que la loi normale
Leçon 4Calculer la corrélation entre 2 variables
Chapitre 17 : Le machine learning
2h41m
 
Leçon 1Le concept du machine learning
Leçon 2Comprendre le type de problème à résoudre
Leçon 3Le data cleaning : analyse de la valeur à prédire
Leçon 4Le data cleaning : vérifier le format des colonnes
Leçon 5Le data cleaning : gestion des valeurs manquantes
Leçon 6Le data cleaning : corriger problème de logique de certaines colonnes
Leçon 7Le data modeling
Leçon 8Concept de la régression linéaire
Leçon 9Spliter le jeu de donnés entre entrainement et test
Leçon 10Créer son premier modèle uni-varié
Leçon 11La normalisation des variables
Leçon 12Mise en pratique de la normalisation des variables
Leçon 13Le dilemme biais-Variance
Leçon 14La gestion des variables avec catégories
Leçon 15TP ! Estimer les frais de santé d'une personne en fonction de ses caractéristiqu
Leçon 16Correction travaux pratiques

Aperçus

Avis des apprenants

Détail des avis
72
Apprenants
1
Commentaire
5/5
Note moyenne
5/5
1
4/5
0
3/5
0
2/5
0
1/5
0
Olid
Olid
Publié le 06/08/2020
Tutoriel très complet, toutes les notions sont abordées ! J'utilise le python depuis pas mal d'années, mais j'ai vraiment découvert plein de choses dont parfois j'avais entendu parler, mais que j'ai enfin découvert au travers d'exemples bien concrets ! A la fin du tutoriel, j'ai le vertige tellement il y a d'applications que j'aimerais développer ! Un énorme merci et vivement la suite ! Attention toutefois à l'addiction, il y a tellement de notions abordées que vous n'aurez plus envie de décoller de derrière votre ordinateur !

Vos questions sur le cours

Avec quelles versions de logiciels ce tuto est-il compatible ?

Data Science , Python

Quel est le niveau requis pour suivre ce tuto ?

débutant

Bonjour, Ha je l'attendais cette formation python pour le data science, mais j'ai quelques questions avant de me lancer : Est ce que cette formation pourrais donner l'opportunité de trouver un travail ? Est ce qu'il faut être bon en mathématiques et statistiques ? Est ce que cette formation rend opérationnel pour un poste en entreprise, (outils, façons de coder...) Merci à vous Karine

Bonjour Karine, Merci pour votre message ! vous trouverez mes réponses ci-dessous. --> Est ce que cette formation pourrais donner l'opportunité de trouver un travail ? Est ce que cette formation rend opérationnel pour un poste en entreprise, (outils, façons de coder...) ? Oui très clairement. Tout d'abord vous allez apprendre à coder en Python qui est, de loin, le langage le plus porteur dans le domaine de la data. vous pouvez consulter cet article sur le sujet : https://towardsdatascience.com/the-most-in-demand-skills-for-data-scientists-4a4a8db896db En plus du langage Python, vous pourrez également avancer le fait que vous savez requêter des données en SQL, manipuler des API, faire du data cleaning, élaborer des premiers modèles de machine learning...qui sont clairement des compétences très opérationnelles et recherchées, et que vous pouvez d'ailleurs retrouver sur des fiches de postes. Mais finalement le plus important est que, grâce aux nombreux travaux pratiques du cours, vous finirez ce cours avec déjà dans votre portfolio des projets aboutis à montrer durant un entretien. -->Est ce qu'il faut être bon en mathématiques et statistiques ? Le cours prend le parti de faire comme ci vous n'aviez aucune connaissance en statistique et les connaissances de base en mathématique (multiplications, divisions...). J'explique donc systématiquement en détail toutes les notions touchant à ces sujets (qui font parfois un peu peur :)) afin de ne perdre personne en route. J'espère avoir pu répondre correctement à vos interrogations, n'hésitez pas à revenir poser une question si quelque chose n'est pas clair. Excellente journée ! Sébastien

Bonjour, Y a t-il un certificat à la fin du cours?

Bonjour, Merci pour votre question. Le cours ne délivre pas de certificat à proprement parler mais vous obtiendrez par contre un portfolio bien rempli avec des projets aboutis et concrets que vous pourrez montrer dans un entretien ou mettre en ligne du votre profil Linkedin. Cela vous permettra de prouver facilement votre maitrise des compétences développées dans ce cours (langage Python, SQL, manipuler des API, statistique, data cleaning, machine learning etc.). N’hésitez pas à revenir vers moi si ma réponse ne répond pas totalement à votre interrogation. Excellente journée ! Sébastien

Attendez ! 🤗

Accédez à plus de 1330 tutos gratuits

Notre politique de protection des données