Analyse de données avec Python

PARTIE 1 - Rappels essentiels et préparation de l'environnement

• Mise en place de l'environnement de travail

  • Installation et configuration : Anaconda, Miniconda, uv / Jupyter Notebook, JupyterLab
  • VS Code (optionnel)
  • Gestion des environnements virtuels
  • Introduction à pip et conda

• Rappels Python pour la data

  • Types de données utiles : listes, dictionnaires, tuples
  • Fonctions et compréhension de listes
  • Modules essentiels : math, datetime, os
• Introduction aux bibliothèques data
  • NumPy : tableaux et calcul vectorisé
  • Pandas : Series et DataFrame
  • Notions clés : Indexation, Sélection, Types de données

TRAVAUX PRATIQUES – Prise en main de l'environnement Python

• Création et gestion d'un environnement Python
• Manipulation de tableaux avec NumPy
• Création et manipulation de DataFrames avec Pandas

PARTIE 2 - Nettoyage et préparation des données

• Importation de données

  • CSV, Excel, JSON
  • Lecture de fichiers avec Pandas
  • Gestion des encodages

• Exploration des données (EDA basique)

  • .head(), .info(), .describe()
  • Détection des valeurs manquantes
  • Analyse des distributions

• Nettoyage des données

  • Traitement des valeurs manquantes : suppression, imputation (moyenne, médiane, mode)
  • Gestion des doublons
  • Correction des types de données

• Transformation des données

  • Création de nouvelles colonnes
  • Application de fonctions (apply, lambda)
  • Encodage de variables catégorielles

TRAVAUX PRATIQUES – Nettoyer et préparer un jeu de données

• Importation d'un jeu de données
• Exploration et identification des anomalies
• Traitement des valeurs manquantes et des doublons
• Correction des types et transformation des données

PARTIE 3 - Analyse exploratoire et visualisation des données

• Analyse exploratoire (EDA avancée)
  • Analyse univariée et bivariée
  • GroupBy et agrégations
  • Tableaux croisés dynamiques (pivot tables)
• Visualisation des données
  • Matplotlib : histogrammes, courbes, scatter plots
  • Seaborn : boxplots, heatmaps, pairplots

• Analyse des tendances

  • Corrélations entre variables

  • Détection de patterns

  • Analyse temporelle (time series basique)

TRAVAUX PRATIQUES – Explorer et visualiser les données

• Réalisation d'une analyse exploratoire
• Production de graphiques avec Matplotlib et Seaborn
• Analyse des corrélations et des tendances
• Interprétation des résultats obtenus

PARTIE 4 - Analyse avancée et mini-projet

• Statistiques appliquées à la data
  • Moyenne, variance, écart-type
  • Corrélation vs causalité
  • Introduction aux tests statistiques simples
• Introduction au machine learning
  • égression linéaire
    Classification simple (KNN, Logistic Regression)
    Utilisation de scikit-learn
• Construction d'un pipeline d'analyse
  • Structuration d'un projet data
  • Nettoyage → analyse → visualisation → interprétation
  • Reproductibilité (notebooks propres)

TRAVAUX PRATIQUES – Mini-projet d'analyse de données

• Mise en œuvre d'un pipeline complet d'analyse
• Nettoyage et préparation des données
• Analyse statistique et exploration des données
• Visualisation et interprétation des résultats
• Introduction à un modèle simple de machine learning
• Structuration et documentation du notebook final