Décrivez la boîte à outils du scientifique des données, qui comprend : Les bibliothèques et les paquets, les ensembles de données, les modèles d'apprentissage automatique et les outils Big Data.

Utiliser des langages couramment utilisés par les data scientists tels que Python, R et SQL.

Démontrer une connaissance pratique d'outils tels que Jupyter notebooks et RStudio et utiliser leurs différentes fonctionnalités.

Créer et gérer le code source pour la science des données en utilisant les dépôts Git et GitHub.

Décrivez ce qu'est une méthodologie de science des données et pourquoi les scientifiques des données ont besoin d'une méthodologie.

Appliquer les six étapes de la méthodologie CRISP-DM (Cross-Industry Process for Data Mining) pour analyser une étude de cas.

Évaluer le modèle analytique approprié parmi les modèles prédictifs, descriptifs et de classification utilisés pour analyser une étude de cas.

Déterminez les sources de données appropriées pour votre méthodologie d'analyse de la science des données.

Développer une compréhension fondamentale de la programmation Python en apprenant la syntaxe de base, les types de données, les expressions, les variables et les opérations sur les chaînes de caractères.

Appliquer la logique de programmation Python en utilisant les structures de données, les conditions et les branchements, les boucles, les fonctions, la gestion des exceptions, les objets et les classes.

Démontrer une compétence dans l'utilisation des bibliothèques Python telles que Pandas et Numpy et dans le développement de code à l'aide des Bloc-notes Jupyter.

Accéder et extraire des données basées sur le web en travaillant avec des API REST à l'aide de requêtes et en effectuant du web scraping avec BeautifulSoup.

Jouez le rôle d'un Data Scientist / Data Analyst travaillant sur un projet réel.

Démontrez vos compétences en Python - le langage de prédilection pour la science et l'analyse des données.

Appliquer les principes fondamentaux de Python, les structures de données Python et travailler avec des données en Python.

Construire un tableau de bord en utilisant Python et des bibliothèques comme Pandas, Beautiful Soup et Plotly en utilisant un notebook Jupyter.

Analyser les données d'une base de données en utilisant SQL et Python.

Créer une base de données relationnelle et travailler avec plusieurs tables à l'aide de commandes DDL.

Construire des requêtes SQL de niveau basique à intermédiaire en utilisant des commandes DML.

Composez des requêtes plus puissantes avec des techniques SQL avancées telles que les vues, les transactions, les procédures stockées et les jointures.

Construire des programmes Python pour nettoyer et préparer les données pour l'analyse en traitant les valeurs manquantes, les incohérences de formatage, la normalisation et le binning

Analyser des ensembles de données du monde réel par le biais de l'analyse exploratoire des données (AED) à l'aide de bibliothèques telles que Pandas, NumPy et SciPy pour découvrir des modèles et des idées

Appliquer des techniques d'exploitation des données en utilisant des dataframes pour organiser, résumer et interpréter les distributions de données, l'analyse de corrélation et les pipelines de données

Données en cours d'utilisation et évaluation de modèles de régression à l'aide de Scikit-learn, et utilisation de ces modèles pour générer des prédictions et soutenir la prise de décision basée sur les données

Mettre en œuvre des techniques de visualisation de données et des tracés à l'aide de bibliothèques Python, telles que Matplotlib, Seaborn et Folium, afin de raconter une histoire stimulante

Créer différents types de graphiques et de diagrammes, tels que des diagrammes linéaires, des diagrammes de surface, des histogrammes, des diagrammes à barres, des diagrammes circulaires, des diagrammes en boîte, des diagrammes de dispersion et des diagrammes à bulles

Créez des visualisations avancées telles que des graphiques en gaufre, des nuages de mots, des diagrammes de régression, des cartes avec marqueurs et des cartes choroplèthes

Générez des tableaux de bord interactifs contenant des diagrammes de dispersion, des diagrammes linéaires, des diagrammes à barres, des diagrammes à bulles, des diagrammes circulaires et des diagrammes en étoile à l'aide de la structure Dash et de la bibliothèque Plotly

Expliquer les concepts clés, les outils et les rôles impliqués dans l'apprentissage automatique, y compris les techniques d'apprentissage supervisé et non supervisé.

Appliquer les algorithmes de base de l'apprentissage automatique tels que la régression, la classification, le clustering et la réduction de dimensionnalité en utilisant Python et Scikit-learn.

Évaluer les performances du modèle en utilisant des mesures appropriées, des stratégies de validation et des techniques d'optimisation.

Construisez et évaluez des solutions d'apprentissage automatique de bout en bout sur des ensembles de données du monde réel grâce à des laboratoires, des projets et des évaluations pratiques.

Démontrer sa maîtrise des techniques de science des données et d'apprentissage automatique à l'aide d'un ensemble de données réelles et préparer un rapport pour les parties prenantes.

Appliquez vos compétences à la collecte et au traitement des données, à l'analyse exploratoire des données, au développement de modèles de visualisation des données et à l'évaluation des modèles

Écrire du code Python pour créer des modèles d'apprentissage automatique, notamment des machines à vecteurs de support, des classificateurs d'arbres de décision et des voisins les plus proches

Évaluer les résultats des modèles d'apprentissage automatique pour l'analyse prédictive, comparer leurs forces et leurs faiblesses et identifier le modèle optimal.

Exploitez les outils d'IA générative, tels que GPT 3.5, ChatCSV et tomat.ai, mis à la disposition des Data Scientists pour l'interrogation et la préparation des données

Examinez les scénarios du monde réel dans lesquels l'IA générative peut améliorer les flux de travail de la science des données

Mettre en pratique les compétences en IA générative dans des laboratoires et des projets pratiques en générant et en augmentant des ensembles de données pour des cas d'utilisation spécifiques

Appliquer des techniques d'IA générative dans le développement et l'affinement de modèles d'apprentissage automatique

Décrivez le rôle d'un scientifique des données et quelques options de carrière ainsi que les perspectives d'avenir dans ce domaine.

Expliquer comment jeter les bases d'une recherche d'emploi, y compris la recherche d'offres d'emploi, la rédaction d'un curriculum vitae et la création d'un portfolio.

Résumez ce à quoi un candidat peut s'attendre au cours d'un cycle d'entretien d'embauche typique, les différents types d'entretiens et la manière de se préparer aux entretiens.

Expliquez comment mener un entretien efficace, y compris les techniques pour répondre aux questions et comment faire une présentation personnelle professionnelle.