Cours
Conception expérimentale en Python
IntermédiaireNiveau de compétence
Actualisé 06/2026
PythonProbability & Statistics4 h14 vidéos47 Exercices3,700 XP14,521Certificat de formation
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprécié par des utilisateurs provenant de milliers d'entreprises
Former une équipe ?
Essayez pour les entreprisesDescription du cours
Mettre en œuvre des dispositifs de conception expérimentale
Apprenez à mettre en œuvre le dispositif expérimental le plus approprié à votre cas d'utilisation. Découvrez comment les plans en blocs randomisés et les plans factoriels peuvent être mis en œuvre pour mesurer les effets du traitement et tirer des conclusions valides et précises.Effectuer des analyses statistiques sur des données expérimentales
Approfondissement de la réalisation d'analyses statistiques sur des données expérimentales, y compris la sélection et la réalisation de tests statistiques, notamment des tests t, des tests ANOVA et des tests d'association chi-carré. Effectuez une analyse post-hoc après les tests ANOVA pour découvrir précisément quelles comparaisons par paire sont significativement différentes.Effectuer une analyse de la puissance
Apprenez à mesurer l'ampleur de l'effet pour déterminer l'ampleur de la différence entre les groupes, au-delà d'une différence significative. Effectuez une analyse de puissance en utilisant une taille d'effet supposée pour déterminer la taille minimale de l'échantillon nécessaire pour obtenir la puissance statistique requise. Utilisez la formule d de Cohen pour mesurer l'ampleur de l'effet pour certains échantillons de données et vérifiez si les hypothèses relatives à l'ampleur de l'effet utilisées dans l'analyse de puissance étaient exactes.Aborder la complexité des données expérimentales
Extrayez des informations à partir de données expérimentales complexes et apprenez les meilleures pratiques pour communiquer les résultats à différentes parties prenantes. Abordez les complexités telles que les interactions, l'hétéroscédasticité et la confusion dans les données expérimentales afin d'améliorer la validité de vos conclusions. Lorsque les données ne répondent pas aux hypothèses des tests paramétriques, vous apprendrez à choisir et à mettre en œuvre un test non paramétrique approprié.Prérequis
Hypothesis Testing in Python1
Préliminaires de la conception expérimentale
Développer vos connaissances en conception expérimentale vous permet de tester des hypothèses avec des outils d’analyse éprouvés et de quantifier le risque de vos travaux. Vous commencerez par poser les bases de la conception expérimentale et par explorer différents plans, comme le blocage et la stratification. Vous apprendrez ensuite à appliquer des tests visuels et analytiques de normalité sur des données expérimentales.
2
Techniques de conception expérimentale
Vous étudierez des techniques avancées de conception expérimentale, en vous concentrant sur les plans factoriels, les plans en blocs aléatoires et l’ajustement sur covariables. Ces méthodologies sont essentielles pour améliorer la précision, l’efficacité et l’interprétabilité des résultats expérimentaux. Grâce à un mélange d’enseignements théoriques et d’applications pratiques, vous acquerrez les compétences nécessaires pour concevoir, mettre en œuvre et analyser des expériences complexes dans divers domaines de recherche.
3
Analyser des données expérimentales : tests statistiques et puissance
Maîtrisez des tests statistiques comme les tests t, l’ANOVA et le Chi carré, et approfondissez les analyses post hoc ainsi que les principes de l’analyse de puissance. Apprenez à sélectionner le bon test, interpréter les p-values et les erreurs, et à mener une analyse de puissance pour déterminer la taille d’échantillon et la taille d’effet, tout en tirant parti des bibliothèques Python pour donner vie à vos insights.
4
Tirer des insights de la complexité expérimentale
Plongez dans les complexités de l’analyse de données expérimentales. Apprenez à synthétiser des insights avec pandas, à traiter des problèmes de données comme l’hétéroscédasticité avec scipy.stats, et à appliquer des tests non paramétriques comme le test U de Mann-Whitney. Découvrez des techniques supplémentaires pour transformer, visualiser et interpréter des données complexes, afin de renforcer votre capacité à mener des analyses robustes dans divers contextes expérimentaux.
Conception expérimentale en Python
Cours terminé
Obtenez un certificat de réussite
Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolioPartagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant
Rejoignez plus de 19 millions d'utilisateurs et commencez Conception expérimentale en Python dès aujourd'hui !
Créez votre compte gratuitement
Continuer avec GoogleAfficher plus d’optionsou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données seront hébergées aux États-Unis.
Apprenez où que vous soyez avec l'application DataCamp
Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.