Traitement De Données & Python  Numpy, Pandas Et Matplotlib

Maîtriser les bibliothèques Python pour la Data Science et le Traitement de Données: Numpy, Pandas, Matplotlib, et plus!
What you'll learn
Utiliser les bibliothèques scientifiques de Python, notamment NumPy, Pandas, et Matplotlib
Utiliser NumPy pour effectuer des analyses statistiques sur vos données (effectuer des comparaisons, sélectionner des éléments, remplacer des valeurs, etc.)
Transformer une colonne à l'aide de Pandas pour manipuler les données. Utilisez le DataFrame Sorter pour trier et normaliser une colonne numérique.
Dessiner, adapter et analyser des courbes basées sur des exemples concrets
Analyser des données du monde réel
Maîtriser des tableaux NumPy (lire un jeu de données, extraire une valeur, extraire un vecteur, extraire une matrice...)
Utiliser Pandas pour lire un jeu de données ou un DataFrame pour l'exploration. Choisissez une colonne ou une ligne pour trier le DataFrame
Réindexer un DataFrame
Requirements
Des connaissances de base en python sont un plus mais les débutants sont néanmoins les bienvenus (des rappels python sont fournis)
Vous n'aurez besoin de rien d'autre
Description
Dans le marché du travail concurrentiel actuel, les data scientists sont tellement demandés qu'ils sont difficiles à garder. En effet, les personnes ayant une formation scientifique, informatique ainsi que des capacités analytiques sont difficiles à trouver.Comme les "quants" de Wall Street dans les années 1980 et 1990, les data scientists d'aujourd'hui sont censés avoir des compétences similaires. Les personnes ayant une formation en physique et en mathématiques ont afflué vers les banques d'investissement et les fonds spéculatifs à cette époque parce qu'elles pouvaient proposer de nouveaux algorithmes et méthodes de données.Ceci dit, la science des données est en train de devenir l'une des professions les mieux demandées du XXIe siècle. C'est un siècle ou beaucoup de choses sont informatisées, axées sur la programmation et de nature analytique. Par conséquent, il n'est pas surprenant que le besoin de spécialistes des données ait augmenté sur le marché de l'emploi au cours des dernières années.L'offre, en revanche, est assez restreinte. Il est difficile d'acquérir les connaissances et les capacités requises pour travailler en tant que data scientist.De nombreuses ressources pour apprendre Python sont disponibles en ligne. Pour cette raison, les étudiants sont souvent dépassés par la courbe d'apprentissage élevée de Python.C'est pourquoi ce cours a été adapté pour vous que vous réussissiez ! L'instruction étape par étape est la marque de fabrique de ce cours. Tout au long de chaque leçon, nous continuons à construire sur ce que nous avons appris précédemment. Notre objectif est de vous doter de tous les outils et compétences dont vous avez besoin pour maîtriser Python, Numpy, Pandas & Matplotlib.Vous repartirez de chaque vidéo avec une nouvelle idée que vous pourrez mettre en pratique immédiatement !Tous les niveaux de compétence sont les bienvenus dans ce cours, et même si vous n'avez aucune expérience préalable en programmation ou en statistiques, vous serez en mesure de réussir !
Overview
Section 1: Rappels sur le langage Python (facultatif)
Lecture 1 Bienvenue au cours
Lecture 2 Introduction à Python pour la Data Science
Lecture 3 Installation de Python pour la Data Science
Lecture 4 Qu'est-ce que Jupyter Notebook ?
Lecture 5 Installation d'Anaconda sur Windows, Mac & Ubuntu
Lecture 6 Implémentation de Python dans Jupyter
Lecture 7 Gestion des Répertoires dans Jupyter Notebook
Lecture 8 Entrée-Sortie
Lecture 9 Différents Types de Données
Lecture 10 Variables
Lecture 11 Opérateurs Arithmétiques
Lecture 12 Opérateurs de Comparaison
Lecture 13 Opérateurs Logiques
Lecture 14 Instructions Conditionnelles
Lecture 15 Boucles
Lecture 16 Séquences : Listes
Lecture 17 Séquences : Dictionnaires
Lecture 18 Séquences : N-uplets
Lecture 19 Fonctions intégrées
Lecture 20 Fonctions définis par l'utilisateur
Lecture 21 Supports de Cours: Python pour la Data Science
Section 2: Bibliothèques Python essentielles pour la science des données
Lecture 22 Installation des bibliothèques
Lecture 23 Importation de bibliothèques
Lecture 24 Bibliothèque Pandas pour la Data Science
Lecture 25 Bibliothèque NumPy pour la Data Science
Lecture 26 Pandas vs NumPy
Lecture 27 Bibliothèque Matplotlib pour la Data Science
Lecture 28 Bibliothèque Seaborn pour la Data Science
Section 3: Fondamentaux de NumPy
Lecture 29 Introduction au tableaux NumPy
Lecture 30 Création de tableaux NumPy
Lecture 31 Indexation des tableaux NumPy
Lecture 32 Forme du tableau
Lecture 33 Itération sur des tableaux NumPy
Section 4: Mathématiques pour la Science des Données
Lecture 34 .zeros()
Lecture 35 .ones()
Lecture 36 .full()
Lecture 37 Addition d'un scalaire
Lecture 38 Soustraction d'un scalaire
Lecture 39 Multiplication par un scalaire
Lecture 40 Diviser par un scalaire
Lecture 41 Puissance
Lecture 42 Transposée
Lecture 43 Addition par éléments
Lecture 44 Soustraction par éléments
Lecture 45 Multiplication par éléments
Lecture 46 Division par éléments
Lecture 47 Multiplication matricielle
Lecture 48 Statistiques
Section 5: Dataframes avec Pandas et Séries
Lecture 49 Qu'est-ce que le DataFrame Pandas ?
Lecture 50 Qu'est-ce qu'une Série Pandas ?
Lecture 51 DataFrame et Séries
Lecture 52 Création d'un DataFrame en utilisant des listes
Lecture 53 Création d'un DataFrame à l'aide d'un dictionnaire
Lecture 54 Chargement d'un fichier csv en tant que DataFrame
Lecture 55 Changer la colonne d'index
Lecture 56 Inplace
Lecture 57 Examen du Dataframe
Lecture 58 Résumé Statistique
Lecture 59 Opérateur pour le découpage en rangs
Lecture 60 Opérateur pour l'indexation des colonnes
Lecture 61 Listes Booléennes
Lecture 62 Filtrage des lignes
Lecture 63 Filtrer les rangs en utilisant l'opérateur AND et OR
Lecture 64 Filtrer avec loc
Lecture 65 Filtrer avec iloc pour le découpage en tranches
Lecture 66 Ajout et suppression de lignes et de colonnes
Lecture 67 Triage des valeurs
Lecture 68 Exportation de DataFrame pandas en csv
Lecture 69 Concaténation de DataFrames
Lecture 70 Groupby()
Section 6: Nettoyage des Données
Lecture 71 Introduction
Lecture 72 Introduction au nettoyage des données
Lecture 73 Qualité des données
Lecture 74 Exemples d'anomalies
Lecture 75 Détection des anomalies grâce aux médianes
Lecture 76 Détection des anomalies grâce à la moyenne
Lecture 77 Détection des anomalies grâce à la méthode Z-score
Lecture 78 Détection des anomalies grâce à l'écart interquartile
Lecture 79 Gestion des valeurs manquantes
Lecture 80 Expressions rationnelles
Lecture 81 Mise à l'échelle des caractéristiques
Section 7: Visualisation de données à l'aide de Python
Lecture 82 Introduction
Lecture 83 À propos de Matplotlib
Lecture 84 Tracé des graphiques linéaires
Lecture 85 Titre, Étiquettes et Légende
Lecture 86 Tracé des histogrammes
Lecture 87 Traçage de diagrammes à barres
Lecture 88 Tracer des diagrammes circulaires
Lecture 89 Tracer un diagramme de dispersion
Lecture 90 Traçage de graphiques logarithmiques
Lecture 91 Traçage de parcelles polaires
Lecture 92 Manipulation des dates
Lecture 93 Création de plusieurs graphes dans une figure
Section 8: Analyse exploratoire des données
Lecture 94 Qu'est-ce que l'analyse exploratoire des données?
Lecture 95 Analyse univariée
Lecture 96 Analyse bivariée – continue et continue
Lecture 97 Analyse bivariée – catégorique et catégorique
Lecture 98 Analyse bivariée – continue et catégorique
Lecture 99 Détecter les valeurs aberrantes
Lecture 100 Traiter les valeurs aberrantes
Lecture 101 Transformation des variables catégoriques
Lecture 102 Ressources
Section 9: Séries chronologiques
Lecture 103 Introduction
Lecture 104 Qu'est-ce qu'une série chronologique ?
Lecture 105 Bibliothèques Python pour l'analyse des séries chronologiques
Lecture 106 Comment obtenir des séries chronologiques ?
Lecture 107 Obtenir des données sur les stocks en utilisant yfinance
Lecture 108 Conversion d'un ensemble de données d'une série chronologique
Lecture 109 Travailler avec des séries chronologiques
Lecture 110 Visualisation d'une série chronologique
Lecture 111 Remerciements
Débutants en programmation qui souhaitent étudier toutes les bibliothèques scientifiques en Python de bout en bout (Numpy, Pandas et Matplotlib),Chercheurs intéressés par les bibliothèques Python pour la science des données,Les aspirants data scientists qui veulent élargir leurs connaissances,Une personne qui veut apprendre à analyser et à visualiser des données

Homepage

https://www.udemy.com/course/manipulation-de-donnees-en-python-maitriser-numpy-pandas-matplotlib/