Projet A : Qualité des sources de données

En tant qu'étudiant ou que nouveau professionnel en science des données, vous ne collecterez pas toujours de nouvelles données primaires. Il est tout aussi important d'être capable de localiser, d'évaluer de manière critique et de nettoyer correctement des sources existantes de données secondaires. (Le chapitre Collecte et préparation des données abordera plus en détail le thème de la collecte et du nettoyage des données.)

Voici quelques sources de données gouvernementales réputées :
Data.gov

Bureau of Labor Statistics (BLS)
National Oceanic and Atmospheric Administration (NOAA)

Voici quelques sources de données non gouvernementales réputées :
Kaggle
Statista
Pew Research Center

En utilisant les sources suggérées ou des sources de qualité équivalente que vous rechercherez sur Internet, trouvez deux à trois jeux de données portant sur le domaine ou le secteur d'activité dans lequel vous avez l'intention de travailler. (Vous pouvez également essayer de déterminer si des jeux de données similaires sont disponibles aux échelons national, régional/provincial et local/municipal.) En groupe, formulez une question d'orientation stratégique ou une décision commerciale typique et précise que les gestionnaires de ces organisations pourraient être amenés à prendre. Pour les jeux de données que vous avez trouvés, comparez et évaluez leur taille, leurs méthodes de collecte, leurs types de données, leur fréquence de mise à jour et leur récence, ainsi que leur pertinence par rapport à la question décisionnelle que vous avez définie.

Projet B : Visualisation de données

À l'aide de l'une des sources de données mentionnées dans le projet précédent, trouvez un jeu de données qui vous intéresse. Téléchargez-le sous la forme d'un fichier CSV. Utilisez Python pour charger le fichier CSV sous la forme d'un DataFrame Pandas. En groupe, réfléchissez à une question précise qui pourrait être abordée à l'aide de ce jeu de données, discutez des caractéristiques des données qui semblent les plus importantes pour répondre à votre question, puis utilisez les bibliothèques Python Pandas et Matplotlib pour sélectionner les variables et créer des graphiques susceptibles de vous aider à répondre à votre question sur les données. Remarquez que vous apprendrez de nombreuses techniques sophistiquées d'analyse de données dans les chapitres suivants, mais pour ce projet, vous devez vous limiter à isoler simplement certaines données et à les visualiser à l'aide des outils présentés dans ce chapitre. Rédigez un bref rapport sur vos conclusions.

Projet C : Confidentialité, éthique et biais

Identifiez au moins un exemple tiré de l'actualité récente ou d'articles de presse en lien avec chacun des thèmes suivants (des références de départ sont données entre parenthèses) :

1. Préoccupations relatives à la confidentialité des données liées à la collecte de données (Consultez le site web Protecting Personal Privacy du Government Accountability Office des États-Unis.)
2. Préoccupations éthiques liées à la collecte de données, y compris l'usage loyal de contenus protégés par le droit d'auteur (Consultez les directives de l'U.S. Copyright Office.)
3. Préoccupations relatives aux biais liés à la collecte de données (Consultez l'article du National Cancer Institute (NCI) sur les biais dans les données.)

Supposez que vous fassiez partie d'une équipe de science des données travaillant pour une organisation sur la collecte de données destinée à un projet ou à un produit majeur. Discutez en équipe de la manière dont les questions de confidentialité, d'éthique et d'équité (en évitant les biais) pourraient être abordées, selon votre poste au sein de l'organisation et le type de projet ou de produit.