Analyse de Données avec Python: Numpy, Pandas et Matplotlib
- Description
- Curriculum
- FAQ
- Reviews
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 coursVideo lesson
-
2Introduction à Python pour la Data ScienceVideo lesson
-
3Installation de Python pour la Data ScienceVideo lesson
-
4Qu'est-ce que Jupyter Notebook ?Video lesson
-
5Installation d'Anaconda sur Windows, Mac & UbuntuVideo lesson
-
6Implémentation de Python dans JupyterVideo lesson
-
7Gestion des Répertoires dans Jupyter NotebookVideo lesson
-
8Entrée-SortieVideo lesson
-
9Différents Types de DonnéesVideo lesson
-
10VariablesVideo lesson
-
11Opérateurs ArithmétiquesVideo lesson
-
12Opérateurs de ComparaisonVideo lesson
-
13Opérateurs LogiquesVideo lesson
-
14Instructions ConditionnellesVideo lesson
-
15BouclesVideo lesson
-
16Séquences : ListesVideo lesson
-
17Séquences : DictionnairesVideo lesson
-
18Séquences : N-upletsVideo lesson
-
19Fonctions intégréesVideo lesson
-
20Fonctions définis par l'utilisateurVideo lesson
-
21Supports de Cours: Python pour la Data ScienceText lesson
-
22Installation des bibliothèquesVideo lesson
-
23Importation de bibliothèquesVideo lesson
-
24Bibliothèque Pandas pour la Data ScienceVideo lesson
-
25Bibliothèque NumPy pour la Data ScienceVideo lesson
-
26Pandas vs NumPyVideo lesson
-
27Bibliothèque Matplotlib pour la Data ScienceVideo lesson
-
28Bibliothèque Seaborn pour la Data ScienceVideo lesson
-
34.zeros()Video lesson
-
35.ones()Video lesson
-
36.full()Video lesson
-
37Addition d'un scalaireVideo lesson
-
38Soustraction d'un scalaireVideo lesson
-
39Multiplication par un scalaireVideo lesson
-
40Diviser par un scalaireVideo lesson
-
41PuissanceVideo lesson
-
42TransposéeVideo lesson
-
43Addition par élémentsVideo lesson
-
44Soustraction par élémentsVideo lesson
-
45Multiplication par élémentsVideo lesson
-
46Division par élémentsVideo lesson
-
47Multiplication matricielleVideo lesson
-
48StatistiquesVideo lesson
-
49Qu'est-ce que le DataFrame Pandas ?Video lesson
-
50Qu'est-ce qu’une Série Pandas ?Video lesson
-
51DataFrame et SériesVideo lesson
-
52Création d'un DataFrame en utilisant des listesVideo lesson
-
53Création d'un DataFrame à l'aide d'un dictionnaireVideo lesson
-
54Chargement d'un fichier csv en tant que DataFrameVideo lesson
-
55Changer la colonne d'indexVideo lesson
-
56InplaceVideo lesson
-
57Examen du DataframeVideo lesson
-
58Résumé StatistiqueVideo lesson
-
59Opérateur pour le découpage en rangsVideo lesson
-
60Opérateur pour l'indexation des colonnesVideo lesson
-
61Listes BooléennesVideo lesson
-
62Filtrage des lignesVideo lesson
-
63Filtrer les rangs en utilisant l'opérateur AND et ORVideo lesson
-
64Filtrer avec locVideo lesson
-
65Filtrer avec iloc pour le découpage en tranchesVideo lesson
-
66Ajout et suppression de lignes et de colonnesVideo lesson
-
67Triage des valeursVideo lesson
-
68Exportation de DataFrame pandas en csvVideo lesson
-
69Concaténation de DataFramesVideo lesson
-
70Groupby()Video lesson
-
71IntroductionVideo lesson
-
72Introduction au nettoyage des donnéesVideo lesson
-
73Qualité des donnéesVideo lesson
-
74Exemples d’anomaliesVideo lesson
-
75Détection des anomalies grâce aux médianesVideo lesson
-
76Détection des anomalies grâce à la moyenneVideo lesson
-
77Détection des anomalies grâce à la méthode Z-scoreVideo lesson
-
78Détection des anomalies grâce à l’écart interquartileVideo lesson
-
79Gestion des valeurs manquantesVideo lesson
-
80Expressions rationnellesVideo lesson
-
81Mise à l’échelle des caractéristiquesVideo lesson
External Links May Contain Affiliate Links read more