Python pour la data science

Ce chapitre introduit les bases de l’environnement Python pour la data science en mettant l’accent sur la modularité du langage et l’utilisation des notebooks…

Quelques éléments pour adopter une démarche scientifique et éthique face à un jeu de données.

Un chapitre consacré à divers exercices pour réviser les principes de base de la syntaxe Python et des objets utilisés par le langage.

Cette introduction présente l’objectif du cours,les partis-pris pédagogiques, le fil conducteur de cet enseignement ainsi que les modalités pratiques de celui-ci.

Numpy constitue la brique de base de l’écosystème de la data science en Python. Toutes les librairies de manipulation de données, de modélisation et de visualisation…

Pandas est l’élément central de l’écosystème Python pour la data science. Ce chapitre présente les premières manipulations de données qu’on peut faire grâce à Pandas…

Le chapitre d’introduction à Pandas a permis de présenter le principe de données organisées sous une forme de DataFrame et la praticité de l’écosystème Pandas pour…

Pandas est l’élément central de l’écosystème Python pour la data science. Le succès récent de Python dans l’analyse de données tient beaucoup à Pandas qui a permis…

Après avoir présenté la logique de Pandas dans le chapitre précédent, ce chapitre vise à illustrer les fonctionalités du package à partir de données d’émissions de gaz à…

Ce chapitre illustre les fonctionalités de GeoPandas à partir des décomptes de vélo fournis par la ville de Paris en…

Les données géolocalisées se sont multipliées depuis quelques années, qu’il s’agisse de données open-data ou de traces numériques géolocalisées de type big-data. Pour les…

Python permet de facilement récupérer une page web pour en extraire des données à restructurer. Le web scraping, que les Canadiens nomment “moissonnage du web”, est…

Les expressions régulières fournissent un cadre très pratique pour manipuler de manière flexible des données textuelles. Elles sont très utiles notamment pour les tâches de…

Les API (Application Programming Interface) sont un mode d’accès aux données en expansion. Grâce aux API, l’automatisation de scripts est facilitée puisqu’il n’est…

Le format Parquet est un format de données connaissant une popularité importante du fait de ses caractéristiques techniques (orientation colonne, compression…

Python s’est imposé comme une alternative très crédible à R dans la manipulation de données. L’écosystème Pandas a permis de démocratiser l’utilisation des DataFrames…

Les data scientists doivent être en mesure de synthétiser l’information présente dans un jeu de données par le biais de la représentation graphique, car le cerveau humain…

Mapping is an excellent way of disseminating knowledge about data, even to audiences unfamiliar with statistics. This chapter looks at the challenge of mapping and how you…

Une partie essentielle du travail du data scientist est d’être en mesure de synthétiser une information dans des représentations graphiques percutantes. Ce chapitre…

Afin d’avoir des données cohérentes avec les hypothèses de modélisation, il est fondamental de prendre le temps de préparer les données à fournir à un modèle. La qualité de…

La raison d’être du machine learning est de chercher à créer des règles de décision qui ont de bonnes performances prédictives sur un nouvel échantillon. Pour éviter le…

La classification permet d’attribuer une classe d’appartenance (label dans la terminologie du machine learning) discrète à des données à partir de certaines variables…

La régression linéaire est la première modélisation statistique qu’on découvre dans un cursus quantitatif. Il s’agit en effet d’une méthode très intuitive et très riche. Le…

L’accès à des bases de données de plus en plus riches permet des modélisations de plus en plus raffinées. Cependant, les modèles parcimonieux sont généralement préférables…

Le clustering consiste à répartir des observations dans des groupes, généralement non observés, en fonction de caractéristiques observables. Il s’agit d’une application…

Les pipelines Scikit permettent d’intégrer de manière très flexible un ensemble d’opérations de pre-processing et d’entraînement de modèles dans une chaîne d’opérations.…

Les API sont un moyen très pratique pour simplifier la mise à disposition des prédictions d’un modèle de machine learning. Ce chapitre présente la manière dont FastAPI…

La facilité à modéliser des processus très diverses a grandement participé au succès de Python dans les années 2010. La popularité de Python est indissociable de…

Les corpus textuels étant des objets de très grande dimension où le ratio signal/bruit est faible, il est nécessaire de mettre en oeuvre une série d’étapes de nettoyage de…

Ce chapitre approfondit l’analyse fréquentiste appliquée aux données textuelles en présentant les enjeux du domaine de l’extraction d’informations (information retrieval).…

Pour pouvoir utiliser des données textuelles dans des algorithmes de machine learning, il faut les vectoriser, c’est à dire transformer le texte en données numériques.…

Cette partie du cours introduit le traitement automatique du langage (NLP), un domaine scientifique à la croisée de la linguistique et des statistiques devenu, du fait de…

Ce chapitre propose une mise en application de quelques principes centraux du langage Git vus précédemment.

Une partie annexe au cours pour découvrir Git, un outil devenu indispensable pour les data scientists afin de mener des projets impliquant du code Python.

Git est un système de contrôle de version qui facilite la sauvegarde, la gestion des évolutions et le partage d’un projet informatique. Il s’agit d’un élément…