Aller au contenu
KnowledgeCity

Data Science & Machine Learning

Filtres de cours
Niveau de compétence du cours
Durée du cours
Réinitialiser tous les filtres
83 cours pour 'Data Science & Machine Learning'
Nous n'avons rien trouvé aujourd'hui, mais revenez nous voir, nous ajoutons du nouveau contenu chaque mois!
TensorFlow Débutant 1h 49m • 22 Cours • Débutant Dans ce cours sur TensorFlow, vous commencerez par apprendre comment l'apprentissage automatique peut être utilisé pour résoudre des problèmes du monde réel dans différents domaines tels que la finance et la biologie. Vous explorerez les modèles de classification, le traitement des données Pandas, la visualisation Seaborn, ainsi que l'évaluation des modèles et les mesures de performance.
TensorFlow Débutant: Qu'est-ce que TensorFlow ? 15m • 3 Cours • Débutant TensorFlow est une bibliothèque logicielle open source populaire pour l'apprentissage profond et est largement utilisée dans les applications d'apprentissage automatique. Dans ces leçons, vous découvrirez la répartition la plus courante entre l'entraînement et la validation et l'importance de maintenir un équilibre entre les deux ensembles.
TensorFlow Débutant: Apprentissage profond avec TensorFlow 20m • 3 Cours • Débutant L'apprentissage profond est un domaine qui évolue rapidement, et avoir une compréhension fondamentale des différentes méthodes et techniques utilisées dans l'apprentissage profond peut être précieux pour les professionnels de ce domaine. Dans ces leçons, vous découvrirez les différentes méthodes d'apprentissage profond utilisées dans le domaine, notamment les réseaux de neurones convolutifs (CNN) et les perceptrons multicouches (MLP).
TensorFlow Débutant: Réseaux de neurones 19m • 3 Cours • Débutant Les réseaux neuronaux sont devenus une partie intégrante de l'apprentissage automatique et peuvent être utilisés dans une variété d'applications, du traitement d'images au traitement du langage naturel. Dans ces leçons, vous découvrirez les concepts fondamentaux des réseaux neuronaux, notamment les réseaux de neurones artificiels (RNA) et la méthode des moindres carrés.
TensorFlow Débutant : Apprentissage du transfert 20m • 4 Cours • Débutant L'apprentissage par transfert est une technique puissante d'apprentissage automatique qui consiste à utiliser des modèles pré-entraînés pour améliorer les performances de vos propres modèles. Dans ces leçons, vous découvrirez les différents avantages de l'apprentissage par transfert et comment utiliser des modèles pré-entraînés pour améliorer les performances de vos projets d’apprentissage automatique.
TensorFlow Débutant: Modules complémentaires pour TensorFlow 13m • 3 Cours • Débutant TensorFlow est un outil puissant pour l'apprentissage automatique, mais il existe également un certain nombre de modules complémentaires disponibles qui peuvent améliorer ses capacités. Dans ces leçons, vous explorerez les différents modules complémentaires disponibles et comment les utiliser efficacement dans vos projets d’apprentissage automatique.
TensorFlow Débutant: Applications dans le monde réel 18m • 4 Cours • Débutant Dans ces leçons, vous apprendrez à appliquer des techniques d'apprentissage automatique pour résoudre des problèmes complexes du monde réel dans divers domaines tels que la finance et la biologie. Vous découvrirez les modèles de classification et la façon dont ils peuvent être utilisés pour résoudre des problèmes tels que l'analyse des contraintes/déformations pour un barrage, à titre d'exemple notable.
Modélisation de la classification 1h 56m • 32 Cours • Intermédiaire
Approuvé par
International Institute of Business Analysis (IIBA®)
Dans ce cours, vous apprendrez les bases de la modélisation de la classification à l'aide de l'apprentissage automatique. Vous examinerez le pipeline de modèle de classification typique et la classification des problèmes applicables peut être appliquée. Vous apprendrez également à collecter, prétraiter et analyser les données nécessaires pour créer un modèle de classification viable.
Apprentissage automatique et classification 26m • 6 Cours • Intermédiaire Ces leçons introduiront la modélisation de la classification et son espace de problèmes dans le cadre de l'apprentissage automatique supervisé. Cela comprendra l'apprentissage et la reconnaissance de la différence entre la classification et la prédiction, et la façon dont la modélisation de la classification s'intègre dans le domaine plus large de l'apprentissage automatique.
Problèmes de classification 27m • 6 Cours • Intermédiaire Ces leçons expliqueront le processus typique de construction de modèles en référence au pipeline de modèles de classification. Vous recevrez également une introduction aux problèmes de classification binaire et multi-classes, et la meilleure façon de les utiliser. Vous apprendrez à utiliser l'ingénierie des fonctionnalités pour déterminer les meilleures entrées de données pour vos modèles de classification.
Algorithmes/modèles de classification 34m • 8 Cours • Intermédiaire Dans ces leçons, vous apprendrez les algorithmes de classification les plus couramment utilisés et les problèmes auxquels ils s'appliquent généralement. Nous couvrirons plusieurs styles de modélisation, notamment : la régression, Naive Bayes, les machines à vecteurs de support, les arbres de décision, les modèles de forêt aléatoire, les K-voisins les plus proches et les modèles multi-classes.
Défis à relever 16m • 6 Cours • Intermédiaire Dans ces leçons, vous apprendrez à choisir le bon modèle en tenant compte des compromis entre eux. Vous apprendrez également à relever les défis courants des modèles de classification, notamment les problèmes de partialité, d'équité et de collecte de données.
Applications 10m • 4 Cours • Intermédiaire Ces leçons vous feront découvrir les différentes applications de la modélisation de classification dans des scénarios réels. Vous apprendrez comment la modélisation de classification et l'IA sont utilisées dans l'imagerie médicale, le diagnostic et la prévention, et comment les chercheurs espèrent aider les soins de santé dans le monde entier.
Apprentissage automatique 55m • 20 Cours • Débutant Dans ce cours, vous apprendrez les bases de l’apprentissage automatique. Vous serez initié à l’apprentissage automatique et à certains des concepts et sujets connexes. Vous comprendrez les différents types et catégories d’apprentissage automatique. Ce cours couvrira également comment implémenter des modèles d’apprentissage automatique en Python en utilisant le package scikit-learn. Les méthodes d’apprentissage automatique supervisées et non supervisées seront couvertes et démontrées.
Présentation de l’apprentissage automatique 13m • 6 Cours • Débutant Ce chapitre présentera l’apprentissage automatique et ses deux catégories principales : supervisé et non supervisé. Vous apprendrez ce qu’ils sont et comment ils sont utilisés. Vous apprendrez également comment l’apprentissage automatique est lié à l’intelligence artificielle. L’importance des données sera discutée et expliquée dans ce chapitre. Ce chapitre expliquera également la différence entre la classification et la régression pour l’apprentissage automatique.
Méthodes d’apprentissage automatique non supervisées 14m • 3 Cours • Débutant Ce chapitre présentera des concepts et des techniques d’apprentissage automatique non supervisés. Il couvrira les modèles de mélange gaussiens. Il couvrira également différents types de clustering. Ce chapitre présentera également le concept d’apprentissage multiple et la différence entre les différents types.
Méthodes d’apprentissage automatique supervisées 15m • 4 Cours • Débutant Dans ce chapitre, vous découvrirez les concepts et les techniques d’apprentissage supervisé. Il couvrira la régression linéaire et logistique. Vous en apprendrez davantage sur les machines vectorielles de support et leurs utilisations. Ce chapitre couvre également les arbres de décision, les forêts aléatoires, l’apprentissage d’ensemble et la façon dont ils sont tous liés. Les réseaux de neurones sont également abordés dans ce chapitre.
Défis et applications de l’apprentissage automatique 10m • 5 Cours • Débutant Ce chapitre couvrira les défis et les applications dans le domaine de l’apprentissage automatique. Il couvrira la sélection de modèles pour l’apprentissage automatique, ainsi que des considérations éthiques et d’autres considérations clés. Des défis spécifiques en matière d’apprentissage automatique, ainsi que certaines de ses applications les plus populaires, seront également abordés.
Éthique et responsabilité de l’IA 2h 31m • 54 Cours • Intermédiaire Ce cours sur l'éthique et la responsabilité de l'IA fournira un aperçu complet des considérations éthiques et des principes relatifs à la responsabilité dans les systèmes d'IA. Vous apprendrez des principes qui ne s'appliquent qu'aux systèmes d'IA, comme l'explicabilité, ainsi que des principes plus larges, comme le principe d'égalité d'accès à la technologie, aux services et aux opportunités.
Éthique et responsabilité de l'IA: Développement de l'intelligence artificielle moderne 24m • 7 Cours • Intermédiaire Ces leçons sur le développement de l'intelligence artificielle moderne couvriront l'histoire et le contexte de l'intelligence artificielle et les aspects et concepts fondamentaux de l'intelligence artificielle, y compris la façon dont l'IA fonctionne en tant que système décisionnel.
Éthique et responsabilité de l'IA: Les défis uniques de l'IA et de l'apprentissage automatique 16m • 5 Cours • Intermédiaire Dans ces leçons sur les défis uniques de l'IA et de l'apprentissage automatique, vous explorerez les types d'apprentissage automatique, y compris supervisé, qui utilise des données étiquetées pour faire des prédictions; non supervisé, une série de techniques permettant de comprendre la structure des données sans variable de résultat; et l'apprentissage par renforcement, l'un des plus anciens styles d'apprentissage automatique qui utilise une méthode d'apprentissage basée sur des objectifs.
AI Ethics and Accountability: Introduction to Ethical Artificial Intelligence 21m • 7 Cours • Intermédiaire In these lessons, you’ll learn about the governance landscape around AI. You will learn about AI alignment with human values and external impacts that are indirectly related to the creation and deployment of any AI system, such as environmental impacts. You will also learn about AI systems that do deliberate harm and dark patterns, deceptive design patterns that are used to influence individuals to perform an action that may not be in their best interest.
Éthique et responsabilité de l'IA: La responsabilité en IA 8m • 4 Cours • Intermédiaire La responsabilité est un élément essentiel de l'éthique de l'IA, et elle est pertinente à toutes les étapes du cycle de vie d'un système d'IA, y compris pendant la conception, après le déploiement, ainsi que lorsqu’un dommage survienne en raison du système.
Éthique et responsabilité de l'IA : Confidentialité, sûreté et sécurité dans l'intelligence artificielle 13m • 6 Cours • Intermédiaire Ces leçons sur la confidentialité, la sûreté et la sécurité dans l'intelligence artificielle traiteront du règlement général sur la protection des données, du consentement, de la portabilité des données, de la capacité à restreindre le traitement, du droit de rectification et du droit à l'effacement.
Éthique et responsabilité de l'IA: Transparence et explicabilité dans l’intelligence artificielle 14m • 5 Cours • Intermédiaire Dans ces leçons sur la transparence et l'explicabilité dans l'intelligence artificielle, vous en apprendrez davantage sur l'explicabilité et l'interprétabilité et leur intersection avec les concepts de boîte noire et d'IA de boîte de verre. Vous passerez en revue les avantages et les inconvénients des logiciels open source dans le développement d'un système d'IA.
Éthique et responsabilité de l'IA: Biais, inclusivité et équité dans l'intelligence artificielle 8m • 4 Cours • Intermédiaire Ces leçons sur les préjugés, l'inclusivité et l'équité dans l'intelligence artificielle exploreront pourquoi les préjugés sont l'un des concepts les plus discutés impliquant l'éthique de l'IA et pourquoi la prévention des préjugés devrait faire partie de la gouvernance de chaque système d'IA. En outre, ces leçons passeront en revue les concepts d'équité, de représentativité et de principe d'impact inclusif.
Éthique et responsabilité de l'IA: Responsabilité professionnelle et contrôle humain de la technologie de l'IA 8m • 5 Cours • Intermédiaire Dans ces leçons sur la responsabilité professionnelle et le contrôle humain de l'IA, vous apprendrez le principe général du contrôle humain de la technologie et comment il recoupe le développement de systèmes d'IA. Vous verrez également comment la responsabilité des concepteurs est liée à la gouvernance du système d'IA et à la collaboration multipartite afin de permettre une rétroaction précieuse sur la conception du système et son impact sur divers groupes de parties prenantes.
AI Ethics and Accountability: Artificial Intelligence and Sociotechnical Systems 17m • 6 Cours • Intermédiaire In these lessons on AI and Sociotechnical System Impact on Society and Human Values, you’ll learn how human rights may be impacted by AI and understand the intersection of civil rights and civil liberties with AI. You’ll learn about the principle of equal access to technology, services, and opportunities and how this broad principle will change as AI develops further.
Éthique et responsabilité de l'IA: Incidents critiques liés à l'intelligence artificielle 14m • 3 Cours • Intermédiaire Ces leçons sur les incidents critiques d'intelligence artificielle examinent les incidents importants d'IA à travers une série d'exemples concrets de résultats négatifs en IA, comment ils ont été résolus et comment ils auraient pu être évités. Plus précisément, vous travaillerez à travers des études de cas axées sur les questions d'identité et de discrimination, le contenu offensant et les implications juridiques.
Réseaux de neurones 1h 25m • 24 Cours • Débutant Dans ce cours, vous apprendrez les bases des réseaux de neurones. Vous recevrez une introduction aux réseaux de neurones et à des concepts et sujets étroitement liés. Vous serez en mesure de comprendre les différents aspects de la conception des réseaux de neurones et comment procéder à leur sélection. Le cours couvrira également comment implémenter des réseaux de neurones, en particulier en python.
Introduction aux réseaux de neurones 17m • 5 Cours • Débutant Ce chapitre présent les réseaux de neurones. Vous apprendrez ce qu’ils sont et comment ils sont utilisés. Il présente également le type le plus élémentaire de réseau neuronal. Les entrée et les sorties seront abordées et expliqués dans ce chapitre. Ce chapitre expliquera également la différence entre la classification et la régression pour les réseaux de neurones.
Conception de réseaux neuronaux 29m • 7 Cours • Débutant Ce chapitre présente les concepts de conception de réseaux neuronaux. Il abord l’importance des données dans la performance et la sélection des réseaux de neurones. Il couvre également les fonctions d’activation, les fonctions de perte et les optimiseurs, ainsi que la façon de sélectionner celles à utiliser. Ce chapitre vous présentera également la formation, les tests et la validation pour les réseaux de neurones.
Mise en œuvre des réseaux de neurones 28m • 6 Cours • Débutant Ce chapitre porte sur l'implémentation des réseaux neuronaux. Différents langages pouvant être utilisés pour implémenter des réseaux de neurones seront discutés. Vous apprendrez pourquoi python est recommandé comme langage de programmation pour commencer pour la mise en œuvre de réseaux neuronaux. Ce chapitre couvre également divers frameworks pour l’implémentation de réseaux de neurones en python.
Applications pratiques pour les réseaux de neurones 7m • 4 Cours • Débutant Ce chapitre couvrira les utilisations pratiques et les applications des réseaux de neurones. Il couvrira la façon dont les réseaux de neurones peuvent être utilisés pour la cybersécurité, l’automatisation, la détection d’anomalies et les systèmes prédictifs.
Le clustering dans l'apprentissage automatique 2h 38m • 37 Cours • Intermédiaire
Approuvé par
International Institute of Business Analysis (IIBA®)
Dans ce cours, vous apprendrez les bases d'une variété de domaines de l'apprentissage automatique, y compris le clustering, la détection des anomalies et la modélisation d'association. Vous comprendrez la méthode la plus courante de clustering, le k-means, et comment elle peut être appliquée aux données d'enquête afin de créer une segmentation robuste de la clientèle, y compris la création de personas, et un outil de typage.
Analyse des clusters de données 36m • 7 Cours • Intermédiaire Ces leçons présenteront le clustering et son espace de problèmes dans l'apprentissage automatique non supervisé. Vous apprendrez à associer le clustering à d'autres étapes de modélisation telles que la réduction de la dimension, l'ingénierie des caractéristiques et la prédiction. Vous apprendrez également comment considérer le clustering d'un point de vue commercial, ainsi que les types de problèmes pour lesquels il est utile.
Regroupement K-means 52m • 8 Cours • Intermédiaire Ces leçons présentent le style de clustering le plus commun, le k-means, et travaillent sur un cas d'utilisation détaillé d'une segmentation client. Vous apprendrez à choisir les variables d'entrée, à sélectionner le nombre de clusters et à interpréter les centroïdes. Vous apprendrez à évaluer la qualité d'un modèle d'analyse de cluster et à relever les défis informatiques liés au clustering. Nous examinerons comment créer des personas et des méthodes pour classer les nouvelles données.
Algorithmes de clustering 24m • 6 Cours • Intermédiaire Dans ces leçons, vous apprendrez les algorithmes de clustering les plus couramment utilisés et les problèmes auxquels ils s'appliquent généralement. Nous couvrirons et évaluerons leurs forces et faiblesses relatives, ainsi que les compromis entre eux.
Règles d'association 16m • 4 Cours • Intermédiaire Dans ces leçons, vous découvrirez les règles d'association et comment elles peuvent s'appliquer aux magasins de détail, aux sites Web d'e-commerce et aux plates-formes médiatiques. Nous explorerons ensuite les trois mesures les plus importantes - support, confiance et lift - ainsi que la manière de les interpréter.
Anomalies 16m • 5 Cours • Intermédiaire These lessons will take you through various methods of anomaly detection and their real-world applications. You’ll learn how various styles of machine learning can be used in anomaly detection, and which specific clustering methods work for anomaly detection. In turn, we’ll explore isolation forests, and how they might apply to the real-life application of fraud detection.
Utilisations/Applications 10m • 5 Cours • Intermédiaire Ces leçons vous permettront de découvrir divers cas d'utilisation et des applications réelles des méthodes abordées dans le cours. Les cas d'utilisation couvriront divers scénarios, y compris des scénarios de médecine, de vente au détail et de marketing.
Python pour la science des données pour Débutant 3h 2m • 24 Cours • Débutant Dans ce cours intitulé « Python pour la science des données », vous découvrirez les principes fondamentaux de Python et les compétences de base en programmation nécessaires pour l'utiliser pour la science des données. Ces compétences fondamentales vous permettront de travailler avec des ensembles de données de toute taille. Vous allez écrire du code en un rien de temps et profiter des nombreuses fonctionnalités et outils fournis avec l'installation de Python.
Python pour la science des données: Présentation de la science des données 31m • 5 Cours • Débutant Dans ce cours sur l'introduction de la science des données, vous découvrirez l'histoire de Python et pourquoi il convient parfaitement à la science des données. Vous téléchargerez et installerez également différents outils pour écrire du code Python, tels que IDLE, PyCharm, Anaconda et Jupyter Notebook.
Python pour la science des données: Les principes de base de Python pour la science des données 53m • 6 Cours • Débutant Dans ce cours sur les bases de de Python pour la science des données, vous découvrirez les variables et les constantes, les types de données, les méthodes de chaîne, les opérateurs, les conditions et les boucles. Vous apprendrez à reconnaître les différents opérateurs et à écrire des boucles et des instructions if. Ce cours vous fournira les bases nécessaires pour commencer à apprendre les concepts clés de programmation en Python.
Python pour la science des données: Structures de données et science des données en Phyton 46m • 5 Cours • Débutant Dans ce cours sur les structures de données Python et la science des données, vous découvrirez les types de données complexes, comme les différentes collections. Vous apprendrez également à organiser votre code en fonctions.
Python pour la science des données: Utiliser Python pour récupérer et enregistrer des données 48m • 6 Cours • Débutant Dans ce cours sur l'utilisation de Python pour récupérer et enregistrer des données, vous apprendrez à travailler avec des données. Python est livré avec plusieurs fonctionnalités intégrées, ainsi que des bibliothèques externes que nous pouvons importer pour nous permettre de travailler avec des données de manière efficace et efficiente.
Python pour la visualisation des données 1h 33m • 20 Cours • Intermédiaire Le cours se concentrera sur l'utilisation de la bibliothèque Python Matplotlib pour visualiser les données. Le codage Python sera effectué à l'aide de blocs-notes Python (fichiers .ipynb) dans l'outil JupyterLab, où vous apprendrez à dessiner des graphiques linéaires, des histogrammes, des cartes thermiques et des diagrammes en boîte à l'aide de Matplotlib.
Python: Vue d'ensemble de la visualisation des données et de la bibliothèque de choix 15m • 3 Cours • Intermédiaire Ces leçons vous montreront comment tracer des points à l'aide des coordonnées x et y. Vous tracerez ensuite une ligne entre les points. Vous apprendrez également à tracer plusieurs lignes sur le même tracé. Les tracés linéaires peuvent être améliorés en ajoutant un style. Avec ces tracés linéaires, vous apprendrez à ajouter un titre de tracé, des étiquettes pour les axes x et y et des étiquettes pour chaque ligne de tracé.
Python: Trouver la distribution des données avec des histogrammes 20m • 3 Cours • Intermédiaire Dans ces leçons, vous utiliserez la bibliothèque Numpy pour générer une distribution normale aléatoire à visualiser avec un histogramme. Nous allons spécifier la moyenne, l'écart-type et le nombre de valeurs aléatoires afin de générer des données uniques pour différencier les tracés.
Python: Visualisation de données à l'aide de graphiques linéaires 12m • 3 Cours • Intermédiaire Dans ces leçons, vous apprendrez à visualiser les données avec des graphiques linéaires. Nous vous montrerons comment créer une ligne de tracé unique avec des étiquettes et des grilles, et vous apprendrez à disposer des sous-diagrammes de graphique linéaire. Vous commencerez par créer un tracé de ligne simple, puis vous apprendrez à générer des tracés de ligne avec un style tel que des titres, des étiquettes d'axe x et d'axe y et des grilles.
Python: Créer des données interactives avec des tracés 14m • 3 Cours • Intermédiaire Dans ces leçons, vous apprendrez à créer des tracés interactifs à l'aide de HVPlot. La bibliothèque Python HVPlot est une API de traçage de haut niveau basée sur HoloViews, qui fournit une API générale et cohérente pour le traçage des données.
Python: Création de cartes thermiques pour la visualisation des données 12m • 3 Cours • Intermédiaire Dans ces leçons, vous apprendrez à créer une carte thermique bidimensionnelle. Dans un premier temps, vous allez créer des cartes thermiques à l'aide de la sous-bibliothèque Python Matplotlib Library Pyplot. Nous allons simuler les données de carte thermique générées à l'aide de la fonction aléatoire Numpy pour un tableau bidimensionnel de valeurs.
Python: Utilisation de la visualisation temporelle 17m • 3 Cours • Intermédiaire Dans ces leçons, vous utiliserez Pandas pour lire des données de séries chronologiques à partir d'un fichier Excel. Les données temporelles ou chronologiques peuvent être considérées comme le suivi des performances au fil du temps ou l'examen des données sur une chronologie. Nous allons vous montrer comment tracer plusieurs séries chronologiques sur le même graphique et tirer des inférences sur les données à partir des graphiques.
Tableau intermédiaire 3h 15m • 31 Cours • Intermédiaire Ce cours d'Anna Foard vous apprendra à créer des calculs de niveau intermédiaire dans Tableau. Vous apprendrez également à créer des paramètres et des graphiques avancés. Ce cours vous permettra d'identifier et d'analyser les meilleures pratiques du tableau de bord et d'apprendre à construire des ensembles. À la fin de ce cours, vous serez en mesure de créer des calculs de logique, de date et de ratio en utilisant Tableau.
Tableau avancé 3h 9m • 32 Cours • Avancé
Approuvé par
International Institute of Business Analysis (IIBA®)
Dans ce cours avancé, Anna Foard se concentrera sur les graphiques et les calculs de données avancés. Ce cours est créé pour que l'utilisateur final ait une compréhension adéquate de Tableau.
Visualisation des données 2h 13m • 26 Cours • Intermédiaire
Approuvé par
International Institute of Business Analysis (IIBA®)
L'utilisation efficace des techniques de visualisation nécessite une combinaison de compétences, y compris une connaissance pratique d'une plateforme de programmation telle que Python version 3.x, une solide expérience dans le chargement, le téléchargement et l'analyse de données dans des structures de données; utilisation de fichiers tels que CSV et JPEG, et connaissance d'un ensemble d'outils de bibliothèques pour Python.
Définition de la visualisation des données 22m • 3 Cours • Intermédiaire Dans ces leçons, nous présentons notre environnement virtuel, Python 3.x, notre premier tracé, notre premier tracé 2D, et nous explorerons la plateforme de Jupyter notebook. Nous présenterons également notre formule de visualisation des données, qui comprend la collecte, l'organisation, puis le traçage des résultats. Vous apprendrez à contrôler les lignes, les motifs, les couleurs, les annotations et la transparence.
Visualisation et science des données 15m • 3 Cours • Intermédiaire Dans ces leçons, nous explorons le travail avec plusieurs variables, plusieurs graphiques, sous-graphiques et comment interpréter les données. Nous commencerons par une exploration de plusieurs variables dans un graphique simple, tel qu'un graphique XY. Vous apprendrez la raison pour laquelle un tracé XY peut avoir un grand nombre de valeurs pour Y, mais une seule pour X. Nous présenterons également Numpy, un autre outil essentiel pour la visualisation des données.
Visualisation et traçage des données 15m • 3 Cours • Intermédiaire Dans ces leçons, nous commençons par plonger profondément dans la disposition et l'espacement et explorer différentes façons de développer et de tracer à l'aide d'une figure avec l'axe. Ensuite, vous commencerez une exploration de Pandas, l'un des outils de visualisation les plus importants. Vous découvrirez comment Pandas et la bibliothèque Pandas fournissent des solutions polyvalentes pour la visualisation et, dans certains cas, est la seule bibliothèque dont vous aurez besoin.
Visualisation et cartographie des données 17m • 3 Cours • Intermédiaire Une réalité de la plupart des projets de visualisation de données est que vous devrez généralement obtenir ou créer certaines des données dont vous avez besoin. Dans ces leçons, nous nous concentrons sur deux des techniques automatisées les plus courantes pour obtenir des données et soulignons comment vous pouvez toujours saisir les données dont vous avez besoin.
Visualisation et expression/narration des données 19m • 3 Cours • Intermédiaire Dans ces leçons, nous nous concentrerons sur la relation entre les graphiques et les ensembles de données sous-jacents utilisés pour les créer. Toutes les données ne sont pas égales et certains tracés fonctionnent mieux que d'autres pour certaines situations. Nous explorerons plusieurs ensembles de données propices aux histogrammes, aux diagrammes de dispersion et aux cartes thermiques.
Visualisation des données et prise de décision 17m • 3 Cours • Intermédiaire Dans ces leçons, vous apprendrez à modéliser un défi commercial à l'aide de Python. Nous allons commencer par appliquer les règles de base de l'entreprise aux listes Python et à d'autres variables, où nous pouvons les inclure par programmation dans notre conception, puis les utiliser comme règles métier. Dans notre exemple, une organisation de fabrication peut fabriquer un certain nombre de produits différents sur une série de machines.
Visualisation et technologie des données 12m • 3 Cours • Intermédiaire Dans ces leçons, nous commençons par une exploration rapide de la conversion d'une image au format base64 afin de pouvoir manipuler les données par programmation. Par exemple, vous verrez comment une miniature peut être créée en prenant une image dense originale que nous pouvons parcourir par programmation pour produire une image miniature plus petite et moins dense.
Utilisations de la visualisation des données 10m • 3 Cours • Intermédiaire La visualisation des données est le produit de notre capacité à collecter, organiser et tracer les données; et peut s'apparenter davantage à une forme d'art qu'à une discipline de programmation.
Les flux de travail essentiels des SIG 1h 49m • 24 Cours • Débutant Dans ce cours sur les flux de travail essentiels des SIG pour débutants, vous apprendrez les principes fondamentaux des systèmes d'information géographique, également appelés SIG. Nous expliquerons les principales composantes d'un SIG, explorerons les relations géospatiales et discuterons de la façon de visualiser les données. Nous verrons également comment travailler avec des cartes 3D et comment imprimer et présenter votre projet.
Les flux de travail essentiels du SIG: Comprendre les SIG 21m • 6 Cours • Débutant Dans ce cours sur les flux de travail SIG essentiels: Composants d'un SIG, vous découvrirez les principaux composants d'un SIG. Nous explorerons tout le matériel, les logiciels, les personnes, les données et les méthodes impliqués dans l'utilisation d'un SIG. Nous aborderons également les systèmes de coordonnées et la façon de naviguer dans les cartes dans un SIG. À la fin de ce cours, vous aurez une bonne compréhension des différents composants qui facilitent le fonctionnement d'un SIG.
Flux de travail essentiels du SIG: Exploration des relations géospatiales 26m • 4 Cours • Débutant Dans ce cours sur les flux de travail essentiels du SIG: exploration des relations géospatiales, les outils permettant d'interroger des données géospatiales à l'aide de relations spatiales et de requêtes de base de données seront expliqués et démontrés. Les méthodes d'analyse des données spatiales seront explorées en montrant les outils et les requêtes disponibles pour l'analyse spatiale de deux ensembles de données.
Les flux de travail essentiels du SIG: Utilisation et visualisation des données SIG 33m • 5 Cours • Débutant Dans ce cours sur les flux de travail essentiels du SIG: Travailler avec et visualiser des données SIG, vous apprendrez à travailler avec des données SIG, ainsi qu'à visualiser des données SIG pour répondre à vos besoins spécifiques. Nous explorerons les données matricielles, les données vectorielles, l'ordre d'affichage des données et la symbologie des données. Nous couvrirons également la création et la modification de données SIG.
Flux de travail essentiels pour les SIG: Cartes 3D et impression de mises en page de cartes 11m • 3 Cours • Débutant Dans ce cours sur les flux de travail essentiels des SIG: Création et analyse de cartes 3D, vous apprendrez à créer des cartes et des modèles 3D dans un SIG, ainsi qu'à interroger et à analyser des données 3D. Nous explorerons comment créer des données 3D et naviguer sur une carte 3D, ainsi que la façon dont vous pouvez utiliser l'analyse spatiale sur les données 3D. À la fin de ce cours, vous serez en mesure de créer, manipuler et analyser efficacement des données SIG 3D.
Les flux de travail essentiels des SIG: Présentation de votre projet 14m • 4 Cours • Débutant Dans ce cours sur les flux de travail essentiels des SIG: Présentation de votre projet, vous apprendrez certaines des meilleures pratiques pour la présentation et l'exportation de vos projets SIG. Nous explorerons les méthodes de partage de données, les métadonnées, les composants cartographiques, ainsi que les moyens courants de partager un projet. À la fin de ce cours, vous serez en mesure de présenter, de partager et d'exporter efficacement des projets SIG professionnels et bien conçus.
Big Data 1h 10m • 18 Cours • Débutant
Approuvé par
International Institute of Business Analysis (IIBA®)
Big data refers to data sets that are too large or complex to be handled by traditional data-processing software. Big data helps organizations make smarter business moves, develop more efficient operations, increase profits and improve customers relations by using the data they collect to identify new opportunities. This course introduces Big Data concepts such as types of data, structured vs. unstructured data, as well as the characteristics and the different use cases for Big Data.
Qu’est-ce que le Big Data ? 15m • 4 Cours • Débutant
Approuvé par
Society for Human Resource Management (SHRM®)
Big data est un terme qui décrit de grands volumes de données, souvent difficiles à gérer. Ces données peuvent être à la fois structurées et non structurées. En raison de sa taille, le Big Data ne peut pas être stocké sur des plates-formes commerciales traditionnelles. Ce cours intitulé « Qu’est-ce que le Big Data? » présentera le Big Data et la façon dont il est utilisé.
Systèmes et analyses Big Data 18m • 4 Cours • Débutant
Approuvé par
Society for Human Resource Management (SHRM®)
Pour traiter le Big Data, vous avez besoin d’une application centralisée qui vous permet de soumettre puis de stocker des données dans une base de données relationnelle. Dans ce cours intitulé “Systèmes et analyses Big Data” , vous découvrirez les systèmes de stockage conçus pour le Big Data tels que Hadoop et son architecture, qui comprend le système de fichiers distribués Hadoop, MapReduce et différents types de nœuds disponibles.
Architecture Big Data, cas d’utilisation et besoins en infrastructure 18m • 4 Cours • Débutant
Approuvé par
Society for Human Resource Management (SHRM®)
Le Big Data peut nous aider de plusieurs façons. La plupart des Big Data ne sont pas structurés. En fait, on estime que 90% des cas d’utilisation du Big Data sont exécutés sur des données non structurées. Cela signifie que vous devez avoir un plan solide pour déterminer comment vous allez stocker et utiliser vos données non structurées. Dans ces leçons, vous découvrirez les données structurées et non structurées, ainsi que l’architecture Big Data sur le cloud public.
Analyses Big Data, détection d’anomalies et modèles prédictifs 16m • 4 Cours • Débutant
Approuvé par
Society for Human Resource Management (SHRM®)
. L’analyse diagnostique est une technique utilisée pour identifier pourquoi un problème se produit. Lorsque vous travaillez avec de grands ensembles de données et que vous créez l’analyse, vous pouvez l’utiliser pour identifier la cause première.
Utiliser Excel pour l'analyse de données 3h 29m • 32 Cours • Intermédiaire
Approuvé par
Society for Human Resource Management (SHRM®)
Dans ce cours sur l’utilisation d’Excel pour l’analyse de données, vous apprendrez les bases de l’analyse de données à l’aide des outils intégrés de Microsoft Excel. Nous aborderons le processus d’analyse des données, les fonctions essentielles, les différentes méthodes d’évaluation des données et la façon de faire des régressions linéaires simples.
Utilisation d’Excel pour l’analyse des données: Notions de base 29m • 5 Cours • Intermédiaire Dans ces leçons, nous expliquerons les concepts qui sous-tendent l’analyse des données. Nous passerons en revue le processus d’identification des besoins, de collecte des données, de nettoyage des données, d’analyse et d’interprétation des résultats. Vous apprendrez la différence entre les données opérationnelles et les données analytiques, et nous approfondirons tous les différents types de graphiques proposés par Excel.
Utilisation d’Excel pour l’analyse des données : Analyse des données 41m • 5 Cours • Intermédiaire Dans ces leçons, nous verrons comment trouver des ensembles de données avec lesquels travailler. Ensuite, nous vous guiderons à travers chaque partie du processus d’analyse des données: nettoyage des données, enrichissement des données, recherche d’informations et évaluation des résultats.
Utilisation d’Excel pour l’analyse des données: Essentiel 33m • 5 Cours • Intermédiaire Dans ces leçons, vous serez initié aux fonctions SUM, MIN et MAX, et nous démontrerons comment les fonctions Excel intégrées peuvent vous faire gagner des heures lors de la production de résultats analytiques. Vous apprendrez également à valider les données d’entrée utilisateur avant qu’elles n’entrent dans le système, ainsi qu’à utiliser les tables de consultation.
Utilisation d’Excel pour l’analyse de données: Méthodes 30m • 5 Cours • Intermédiaire Dans ces leçons, vous explorerez les différentes méthodes d’analyse de données que vous pouvez effectuer dans Excel. Vous apprendrez également comment le formatage et le résumé de vos données peuvent vous aider dans le processus d’analyse. Nous passerons en revue la différence entre les plages Excel et les plages statistiques, et vous découvrirez comment les tableaux peuvent vous aider à structurer vos données pour faciliter le tri.
Utilisation d’Excel pour l’analyse de données: Effectuer une analyse 52m • 7 Cours • Intermédiaire L’analyse de scénarios joue un rôle important dans l’analyse de données, et dans ces leçons, vous apprendrez à utiliser Scenario Manager et Goal Seek pour prouver vos analyses. Vous apprendrez également la valeur des simulations, et quand et comment utiliser les graphiques sparkline pour condenser les données dans un format simple et facile à lire.
Utilisation d’Excel pour l’analyse des données: Régression linéaire simple 20m • 3 Cours • Intermédiaire Dans ces leçons, vous plongerez dans le monde des statistiques en apprenant la régression linéaire et non linéaire. Nous verrons comment Excel utilise les fonctions linéaires et non linéaires pour faire tous les calculs pour vous, et comment vous pouvez utiliser ces fonctions pour créer des courbes de tendance linéaires afin d’illustrer les corrélations dans un ensemble de données.
Organisation des données pour les débutants 1h 16m • 14 Cours • Débutant
Approuvé par
International Institute of Business Analysis (IIBA®) Society for Human Resource Management (SHRM®)
Dans ce cours sur l'organisation des données pour les débutants, nous allons explorer comment identifier les cas d'utilisation des données et préparer les données qui répondent à ces cas d'utilisation. Lorsque les données collectées doivent prendre en charge de nombreux utilisateurs et cas d'utilisation, vous devez vous assurer que la consommation des données se fait de manière cohérente et gérée afin de réduire les risques d'impact négatif sur l'intégrité ou la vitesse de l'analyse des données.
Êtes-vous prêt à avoir une équipe plus productive, plus engagée et mieux informée? Commencez dès maintenant