Ce module vise à doter les apprenants de compétences pratiques en matière de traitement et de manipulation de données. Les apprenants seront initiés à pandas, une puissante bibliothèque Python, en tant qu'outil de base pour la manipulation des données. Les apprenants deviendront compétents dans l'utilisation des dataFrames pandas, maîtrisant les opérations essentielles telles que l'indexation, le découpage et le filtrage des données. Ils acquerront une compréhension approfondie des différentes techniques d'indexation (loc, iloc, indexation booléenne) et de leurs applications appropriées. Le module souligne l'importance du nettoyage des données pour une analyse précise et guide les apprenants à travers diverses techniques pour identifier et traiter les valeurs manquantes et les valeurs aberrantes. Il couvre également les différents types de données en Python, permettant aux apprenants de faire des choix éclairés pour leur analyse. Les apprenants s'exerceront à charger, inspecter et transformer des ensembles de données à l'aide des fonctions pandas, en appliquant ces compétences à des scénarios du monde réel. À la fin de ce module, les apprenants pourront utiliser pandas en toute confiance pour nettoyer, transformer et préparer les données en vue d'une analyse et d'une visualisation ultérieures, garantissant ainsi l'intégrité et la fiabilité des données dans leurs projets d'analyse de données.

Ce module se concentre sur les compétences essentielles de la visualisation des données. Les apprenants examinent une variété de types de visualisation, tels que les graphiques linéaires, les diagrammes à barres et les diagrammes de dispersion, et apprennent à choisir les plus efficaces en fonction des données et des objectifs d'analyse. Le module fournit une comparaison des bibliothèques de visualisation populaires, y compris Matplotlib, Plotly et Bokeh, en soulignant les forces uniques de chacun pour aider les apprenants à sélectionner l'outil approprié. Les apprenants acquièrent une expérience pratique de la création de visualisations avec Matplotlib, en maîtrisant les bases de la personnalisation des tracés pour une communication claire et informative. Le module introduit également des techniques avancées avec Plotly et Bokeh, permettant aux apprenants de concevoir des visualisations interactives et hautement personnalisées. Il met l'accent sur l'importance d'une communication efficace des données, en enseignant aux apprenants comment construire des récits avec des données. Les apprenants sont initiés aux meilleures pratiques en matière de conception de visualisation de données, ce qui leur permet de s'assurer que leurs visuels sont clairs, informatifs et attrayants. À la fin de ce module, les apprenants seront en mesure de transformer les données en visuels percutants qui favorisent une communication efficace et une prise de décision éclairée.

Ce module fournit aux apprenants une compréhension fondamentale de l'IA générative, de ses applications et de ses implications éthiques, ainsi que des techniques pratiques pour l'exploiter dans l'analyse et la visualisation des données. Les apprenants exploreront les concepts fondamentaux de l'IA générative, y compris les modèles transformateurs, les grands modèles de langage (LLM) et le traitement du langage naturel (NLP). Ils approfondiront les distinctions entre l'IA générative et les autres types d'IA, en examinant les applications du monde réel dans divers secteurs. Le module met également l'accent sur les considérations éthiques entourant l'IA générative, couvrant des sujets tels que la propriété, l'authenticité et l'utilisation responsable du contenu généré par l'IA. En outre, les apprenants acquerront une expérience pratique des techniques de génération de données synthétiques à l'aide de réseaux antagonistes génératifs (GAN) et d'autres modèles, et exploreront les méthodes d'augmentation des données pour accroître la taille et la diversité des ensembles de données, améliorant finalement la performance des modèles d'apprentissage automatique.

Ce module fournit une compréhension fondamentale de l'apprentissage automatique, de ses applications et de la façon de construire des modèles de base. Les apprenants exploreront les concepts de base tels que l'apprentissage supervisé et non supervisé, approfondiront les techniques d'évaluation des modèles en utilisant des mesures telles que la précision, le rappel et le F1-score, et acquerront une expérience pratique en construisant des modèles de régression linéaire et logistique avec Scikit-learn. En outre, le module couvre l'utilisation des données synthétiques dans l'apprentissage automatique, y compris les considérations éthiques et les applications pratiques.