Divisé en 6 blocs, la formation Data Analyst a été pensée pour répondre aux attentes métiers d’aujourd’hui, et créée avec les Chief Data Officer des plus grands groupes français.

1. Introduction à Python

Fondamentaux de python
- Découverte des différentes variables, listes et Tuples
- Présentation des divers opérateurs et structures de contrôle
- Initiation au concept de boucle et ses différents types
- Introduction aux fonctions et leurs documentations
- Instanciation de classes et utilisation de modules

NumPy
- Création et manipulation d’un Numpy array
- Présentation des opérations matricielles
- Création d’un indicateur statistique et applications

Pandas
- Chargement et première exploration d'un jeu de données
- Introduction au Data Cleaning
- Introduction au Data Processing

Data Quality (optionnel)
- Présentation des principes essentiels à la Data Quality
- Traitement des variables numériques et textuelles
- Introduction au nettoyage de données
- Initiation à la gestion des valeurs manquantes

2. Data Visualisation

Matplotlib
- Présentation de différents types de graphes:
    Courbe
    Graphique
    Nuage de points
    Histogrammes
- Introduction à la personnalisation de graphique

Seaborn
- Initiation à l'analyse de distribution
- Découverte de l'analyse statistique
- Initiation à l'analyse multivariée

Bokeh (facultatif)
- Formation à tous types de graphiques interactifs et intégrables sur page Web

Complément Matplotlib
- Présentation de graphiques avancés avec Matplotlib
- Création de figures avec classes et objets

3. Machine Learning

Algorithme et méthodologie de classification avec Scikit-Learn
- Présentation des algorithmes de classification ( Régression logistique, KNN, Arbre de décision, forêt aléatoire, SVM…)
- Initiation aux algorithmes de boosting et de Bagging
- Découverte des différents modèles et sélections
- Classification des données déséquilibrées

Méthode de réduction de dimension
- Introduction à l'analyse en composantes principales
- Présentation de l'algorithme T-SNE
- Introduction à l'analyse discriminante linéaire
- Découverte du clustering avec l'algorithme des K-means

Méthode de régression
- Introduction à la régression linéaire simple et multiple
- Introduction à la régression linéaire (ridge lasso, elastic-net)

4. Extraction et gestion de données textes

Text Mining
- Introduction aux expressions régulières
- Mise au point à la gestion de données textuelles
- Creation de Worldclouds
- Présentation de l'analyse de sentiments

WebScraping
- Introduction au langage web (HTML, CSS)
- Extraction de contenu Web avec BeautifulSoup
- Application du scrapping sur Google

5. Big Data / Database

Introduction au Data Engineering et Big Data
- Introduction aux 3V du Big Data (Volume, variété, vélocité)
- Présentation des bases de données et Architectures
- Mise en production de données

Data Processing et Machine Learning sur des grandes bases de données
- Introduction à PySpark
- Découverte des différentes fonctions de PySpark
    Le Data Processing
    Les Data Frames
    La Régression avec PySpark
    Le ML pipelines
    Le Model Turning

6. Business Intelligence

Business Intelligence
- Introduction à la BI : concepts et usage

Power BI
- Connexion aux sources de données
- Data visualisation avec Power Query
- Relations et Modélisation de données transformées
- Introduction au langage DAX
- Création d’un tableau de bord approfondi et étude de cas

Tableau
- Connexion aux sources de données
- Mise en forme des données
- Présentation de la Data Visualisation

+ Le projet fil rouge