Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Après tout le travail nécessaire pour collecter des données et les mettre dans un format exploitable, l’objectif final est d’en tirer des conclusions claires et concises. Cette étape cruciale de la chaîne d’analyse repose sur les principes de l’inférence statistique. Dans ce cours, vous commencerez à construire les bases nécessaires pour raisonner de manière statistique, parler le langage de vos données et comprendre ce qu’elles vous indiquent. Les fondements de la pensée statistique ont mis des décennies à se construire, mais peuvent aujourd’hui être assimilés bien plus rapidement grâce aux ordinateurs. Avec la puissance des outils basés sur Python, vous prendrez vite le pli et commencerez à penser statistiquement d’ici la fin du cours.
Prérequis
Programme de formation
Plan du cours
1
Analyse exploratoire des données par la visualisation
Avant d’aborder des techniques d’inférence statistique avancées, commencez par explorer vos données en les visualisant et en calculant de simples statistiques descriptives. Ce processus, appelé analyse exploratoire des données, est une première étape essentielle de toute analyse statistique.
- Introduction à l’analyse exploratoire des données50 XP
- Quel est l’objectif de l’inférence statistique ?50 XP
- Atouts de l’EDA graphique50 XP
- Tracer un histogramme50 XP
- Tracer un histogramme des données d’iris100 XP
- Étiquettes d’axes !100 XP
- Ajuster le nombre de classes d’un histogramme100 XP
- Représentez toutes vos données : diagrammes en essaim d’abeilles50 XP
- Bee swarm plot100 XP
- Interpréter un bee swarm plot50 XP
- Visualisez toutes vos données : ECDF50 XP
- Calculer l’ECDF100 XP
- Tracer l’ECDF100 XP
- Comparer des ECDF100 XP
- En avant vers l’ensemble de l’histoire !50 XP
2
Analyse exploratoire des données quantitative
Dans ce chapitre, vous calculerez des statistiques descriptives utiles, qui permettent de décrire en quelques nombres les caractéristiques saillantes d’un jeu de données.
3
Raisonner en termes de probabilités — Variables discrètes
L’inférence statistique repose sur la probabilité. Comme il est très rare de pouvoir affirmer quelque chose avec certitude à partir des données, nous utilisons le langage probabiliste pour formuler des énoncés quantitatifs. Dans ce chapitre, vous apprendrez à raisonner en termes de probabilités pour des quantités discrètes : celles qui ne peuvent prendre que certaines valeurs, comme les entiers.
4
Raisonner en termes de probabilités — Variables continues
Il est temps de passer aux variables continues, c’est‑à‑dire celles qui peuvent prendre n’importe quelle valeur fractionnaire. Beaucoup de principes restent les mêmes, mais il existe quelques subtilités. À la fin de ce dernier chapitre, vous maîtriserez le langage probabiliste nécessaire pour vous lancer dans les techniques d’inférence présentées dans la suite de ce cours.
Réflexion statistique en Python (Partie 1)
Cours
terminé
