Informations à propos de la formation
Le formulaire a été soumis avec succès !
Une erreur s’est produite lors de l’envoi du formulaire. Veuillez vérifier à nouveau tous les champs.
Public cible
- Étudiants, enseignants ou professionnels souhaitant découvrir la Data Science par la pratique
- Débutants en programmation et en analyse de données
- Toute personne souhaitant acquérir une compétence numérique analytique
Objectifs de la formation
Donner aux participants les bases nécessaires pour programmer en Python et exploiter les données dans un contexte de Data Science.
À la fin de la formation, les apprenants seront capables de manipuler, analyser et visualiser des données avec Python et ses bibliothèques clés (NumPy, Pandas, Matplotlib, Seaborn).
Compétences visées
- Maîtriser les fondamentaux de Python (syntaxe, fonctions, structures de données)
- Collecter, nettoyer et explorer des données avec Pandas
- Réaliser des analyses statistiques simples et visualiser les résultats
- Créer des scripts reproductibles pour la manipulation et l’analyse de données
- Acquérir une culture générale en Data Science
Thématiques de la formation (12 semaines / 24h)
1. Introduction à Python et à la Data Science (4 h)
Objectifs spécifiques :
- Découvrir le langage Python et ses usages en Data Science
- Installer et configurer l’environnement de travail
- Comprendre le cycle de vie d’un projet Data
Contenu :
- Présentation de Python, Jupyter Notebook et Google Colab
- Syntaxe de base : variables, types, opérateurs, commentaires
- Introduction aux bibliothèques Data (NumPy, Pandas, Matplotlib)
- Notion de donnée, source, jeu de données
Activités :
- Premier programme : “Hello Data!”
- Exploration simple d’un petit jeu de données CSV
2. Structures de contrôle et traitement de données en Python (6 h)
Objectifs spécifiques :
- Utiliser les structures de contrôle (conditions, boucles)
- Créer et utiliser des fonctions pour automatiser des analyses
- Manipuler des structures de données natives (listes, dictionnaires, tuples)
Contenu :
- Conditions (if, elif, else) et boucles (for, while)
- Fonctions et modularisation du code
- Structures de données Python et itérations
- Lecture / écriture de fichiers CSV
Activités :
- Script : calcul automatique d’indicateurs à partir d’un fichier CSV
- Mini-projet : analyse simple (moyenne, maximum, tri de données)
3. Manipulation et analyse de données avec Pandas et NumPy (6 h)
Objectifs spécifiques :
- Découvrir les bibliothèques fondamentales pour la Data Science
- Importer, explorer et nettoyer un jeu de données
- Effectuer des opérations statistiques et transformations simples
Contenu :
- Introduction à NumPy : tableaux, opérations vectorisées
- Pandas : DataFrame, index, filtres, agrégations
- Nettoyage : valeurs manquantes, doublons, types de variables
- Statistiques descriptives (moyenne, écart-type, corrélation)
Activités :
- Atelier : nettoyage et exploration d’un dataset (ex. données climatiques ou ventes)
- Exercice : créer des indicateurs et résumer les résultats
4. Visualisation et interprétation des données (4 h)
Objectifs spécifiques :
- Apprendre à représenter visuellement les données
- Créer des graphiques dynamiques et lisibles
- Interpréter les tendances et corrélations observées
Contenu :
- Introduction à Matplotlib et Seaborn
- Types de graphiques : histogrammes, barres, courbes, nuages de points
- Mise en forme et personnalisation des visualisations
- Bonnes pratiques de storytelling visuel
Activités :
- Atelier : création d’un mini-dashboard visuel
- Exercice : visualiser les corrélations entre variables d’un dataset
5. Mini-projet de Data Science (4 h)
Objectifs spécifiques :
- Mettre en œuvre un projet complet d’analyse de données
- Nettoyer, analyser et visualiser un jeu de données réel
- Présenter les résultats de manière claire et interprétée
Contenu :
- Étapes d’un projet complet : import, traitement, analyse, visualisation
- Construction d’un mini-rapport ou notebook commenté
- Interprétation des résultats et présentation orale
Activités :
- Projet en petits groupes (exemples : ventes, environnement, éducation, sport)
- Soutenance et discussion sur les conclusions
Méthodologie
- Alternance de théorie et de pratique à chaque séance
- Exercices progressifs et études de cas réels
- Approche par projet : “faire pour comprendre”
- Utilisation d’outils accessibles (Google Colab, Jupyter Notebook, datasets publics)
Évaluation
- Évaluation continue : exercices et participation active
- Évaluation finale : mini-projet Python + Data Science
- Auto-évaluation : bilan des compétences acquises
Évaluation et Assurance Qualité :
À la fin de chaque programme de formation, les participants recevront un formulaire d’évaluation et d’assurance qualité.