Soyons enthousiastes !
- Bienvenue au cours Data Science A-Z
Que sont les Data Sciences ?
- Intro (ce que vous allez apprendre dans cette section)
- Le job du futur
- Les domaines des Data Sciences
- Important: Approches du cours
--------------------------- Partie 1: Visualisation ---------------------------
- Bienvenue à la Partie 1
Introduction à Tableau
- Intro (ce que vous allez apprendre dans cette section)
- Installer Tableau Desktop et Tableau Public
- Description du challenge et des données
- Connecter Tableau à un fichier CSV
- Naviguer dans Tableau - Mesures et Dimensions
- Créer un calculated field
- Ajouter des couleurs
- Ajouter des labels et changer le format
- Exporter votre worksheet
- Récapitulatif de la section
Utiliser Tableau pour le Data Mining
- Intro (ce que vous allez apprendre dans cette section)
- Obtenir le Dataset
- Connecter Tableau à un fichier Excel
- Visualiser un A-B test dans Tableau
- Travailler avec les Aliases
- Ajouter une Reference Line
- Chercher des anomalies
- Une astuce pratique pour valider votre approche
- Récapitulatif de la section
Data Mining avancé avec Tableau
- Intro (ce que vous allez apprendre dans cette section)
- Créer des bins et visualiser des distributions
- Créer un test de classification pour une variable numérique
- Combiner deux graphes et travailler avec dans Tableau
- Valider le Data Mining dans Tableau avec un test du khi-deux
- Test du khi-deux quand il y a plus de deux catégories
- Visualiser le solde et la distribution du salaire estimé
- Bonus: Test du khi-deux Partie 1 (Tutoriel de Stats)
- Bonus: Test du khi-deux Partie 2 (Tutoriel de Stats)
- Récapitulatif de la section
- Les bases de Tableau
---------------------------- Partie 2: Modélisation ----------------------------
- Bienvenue à la Partie 2
Rappels de Statistiques
- Intro (ce que vous allez apprendre dans cette section)
- Types de variables: Catégorique vs Numérique
- Types de régressions
- Méthode des moindres carrés ordinaires
- R-squared
- Adjusted R-squared
Régression Linéaire Simple
- Intro (ce que vous allez apprendre dans cette section)
- Introduction à Gretl
- Obtenir le dataset
- Importer les données et faire des statistiques descriptives
- Lire des outputs de Régression Linéaire Simple
- Tracer et analyser un graphe
Régression Linéaire Multiple
- Intro (ce que vous allez apprendre dans cette section)
- Attention: les hypothèses de la Régression Linéaire Multiple
- Obtenir le dataset
- Les Dummy Variables
- Le piège des Dummy Variables
- Manières de construire un modèle: BACKWARD, FORWARD, STEPWISE
- Backward Elimination - Un peu de pratique
- Utiliser le Adjusted R-squared pour créer des modèles robustes
- Interpréter les coefficients de la Régression Linéraire Multiple
- Récapitulatif de la section
Régression Logistique
- Intro (ce que vous allez apprendre dans cette section)
- Obtenir le dataset
- Problèmes Business de type Oui/Non
- L'intuition de la Régression Logistique
- Votre première Régression Logistique
- False Positives et False Negatives
- Matrice de Confusion
- Interpréter les coefficients de la Régression Logistique
Construire un modèle robuste de segmentation géo-démographique
- Intro (ce que vous allez apprendre dans cette section)
- Obtenir le dataset
- Qu'est-ce que la segmentation géo-demographique ?
- Construisons le modèle - première itération
- Construisons le modèle - backward elimination: STEP-BY-STEP
- Transformer des variables indépendantes
- Créer des variables dérivées
- Vérifier la multi-colinéarité en utilisant VIF
- Matrice de Corrélation et Intuition de la multi-colinéarité
- Récapitulatif de la section
Evaluer votre modèle
- Intro (ce que vous allez apprendre dans cette section)
- Le paradoxe de la précision
- Cumulative Accuracy Profile (CAP)
- Construire une courbe CAP avec Excel
- Evaluer le modèle en utilisant une courbe CAP
- Obtenir le template de courbe CAP
- Utiliser un test set pour empêcher l'overfitting
- Appliquer le modèle à un test set
- Comparer la performance sur le training set et le test set
- Récapitulatif de la section
