Avez-vous déjà vécu l'expérience parfaite en matière de science des données ? L'extraction des données s'est parfaitement déroulée. Il n'y a pas eu d'erreurs de fusion ou de données manquantes. Les hypothèses ont été clairement définies avant les analyses. La randomisation a été effectuée pour le traitement d'intérêt. Le plan analytique a été défini avant l'analyse et a été suivi à la lettre. Les conclusions étaient claires et les décisions exploitables évidentes. Cela vous est-il déjà arrivé ? Bien sûr que non. Dans la vie réelle, l'analyse des données n'est pas simple. Comment gérer une équipe confrontée à des analyses de données réelles ? Dans ce cours d'une semaine, nous opposons l'idéal à la réalité. En opposant l'idéal, vous apprendrez les concepts clés qui vous aideront à gérer les analyses réelles.

Il s'agit d'un cours ciblé conçu pour vous permettre de vous familiariser rapidement avec la science des données dans la vie réelle. Notre objectif était de rendre ce cours aussi pratique que possible pour vous sans sacrifier le contenu essentiel. Nous avons laissé de côté les informations techniques afin que vous puissiez vous concentrer sur la gestion de votre équipe et la faire progresser. Après avoir suivi ce cours, vous saurez comment : 1. Décrire l'expérience "parfaite" de la science des données 2. Identifier les forces et les faiblesses des plans d'expérience 3. Décrire les pièges possibles lors de l'extraction/assemblage des données et apprendre des solutions pour gérer les extractions de données. 4. Remettre en question les hypothèses de modélisation statistique et fournir un retour d'information aux analystes de données. 5. Décrire les pièges courants dans la communication des analyses de données 6. Le cours sera enseigné à un niveau conceptuel pour les gestionnaires actifs de scientifiques de données et de statisticiens. Parmi les concepts clés abordés, citons : 1. Conception expérimentale, randomisation, tests A/B 2. Inférence causale, contrefactuels, 3. Stratégies de gestion de la qualité des données. 4. Biais et confusion 5. Contraste entre l'apprentissage automatique et l'inférence statistique classique Promotion du cours : https://www.youtube.com/watch?v=9BIYmw5wnBI Image de couverture du cours par Jonathan Gross. Creative Commons BY-ND https://flic.kr/p/q1vudb