Annexe C Annexe C : Récapitulatif des algorithmes Python

Cette annexe propose un récapitulatif des différents algorithmes Python utilisés dans ce manuel. L'objectif est de fournir aux étudiants une référence croisée pour les différents algorithmes abordés dans le texte, de donner une description générale de chaque algorithme et de proposer un lien vers la section correspondante du texte.

Pour plus de détails sur les fonctions, la syntaxe et l'utilisation de Python, veuillez vous référer à l'Annexe D : Revue des fonctions Python et/ou à la documentation de Python en ligne.

Titre du chapitre	Thème	Description de l'algorithme	Première référence
Que sont les données et la science des données ?	Chargement et visualisation des données	Utilisation de la bibliothèque Python pandas pour charger un fichier CSV, décrire ses caractéristiques et explorer son contenu	Les bases de Python pour la science des données
Que sont les données et la science des données ?	Visualisation des données à l'aide de Python	Utilisation de Python pour créer un nuage de points pour deux grandeurs numériques	Les bases de Python pour la science des données
Collecte et préparation des données	Extraction de données d'un site web	Utilisation de Python pour extraire un tableau de données d'un site web	Extraction de données web et collecte de données sur les réseaux sociaux
	Utilisation des expressions régulières en Python	Utilisation de Python pour rechercher un mot sélectionné dans une chaîne de caractères donnée et afficher le nombre de fois où il apparaît	Extraction de données web et collecte de données sur les réseaux sociaux
	Traitement et stockage des données	Utilisation de Python pour traiter des données et les exporter vers un fichier CSV	Extraction de données web et collecte de données sur les réseaux sociaux
	Analyse syntaxique et extraction de données	Utilisation de Python pour analyser et extraire des données spécifiques à partir d'un jeu de données donné	Extraction de données web et collecte de données sur les réseaux sociaux
Statistiques descriptives : mesures statistiques et distributions de probabilité	Calcul de probabilités binomiales	Utilisation de Python pour calculer des probabilités associées à la loi binomiale	Distributions de probabilité discrètes et continues
	Calcul de probabilités à partir d'une distribution normale	Utilisation de Python pour calculer des probabilités associées à la distribution normale	Distributions de probabilité discrètes et continues
Statistiques inférentielles et analyse de régression	Calcul de la marge d'erreur	Utilisation de la bibliothèque Python scipy.stats pour calculer une marge d'erreur à l'aide de la loi de Student	Inférence statistique et intervalles de confiance
	Intervalle de confiance par bootstrap	Utilisation de Python pour calculer un intervalle de confiance à l'aide d'une approche bootstrap	Inférence statistique et intervalles de confiance
	Intervalle de confiance pour la moyenne	Utilisation de Python pour calculer un intervalle de confiance pour la moyenne à l'aide de la loi normale et de la loi de Student (deux exemples)	Inférence statistique et intervalles de confiance
	Test d'hypothèse pour la moyenne (un échantillon)	Utilisation de Python pour calculer une valeur p associée à un test d'hypothèse pour la moyenne	Test d'hypothèse
	Test d'hypothèse pour une proportion	Utilisation de Python pour calculer une valeur p associée à un test d'hypothèse pour une proportion	Test d'hypothèse
	Test d'hypothèse pour la moyenne (un échantillon)	Utilisation de Python pour calculer une statistique de test et une valeur p associées à un test d'hypothèse pour la moyenne	Test d'hypothèse
	Test d'hypothèse pour la moyenne (deux échantillons)	Utilisation de Python pour calculer une statistique de test et une valeur p associées à un test d'hypothèse pour la différence entre deux moyennes	Test d'hypothèse
	Coefficient de corrélation	Utilisation de Python pour calculer le coefficient de corrélation de Pearson pour deux variables numériques	Analyse de corrélation et de régression linéaire
	Création d'un nuage de points	Utilisation de Python pour créer un nuage de points pour deux grandeurs numériques	Analyse de corrélation et de régression linéaire
	Création d'un modèle de régression linéaire	Utilisation de Python pour calculer la pente et l'ordonnée à l'origine d'un modèle de régression linéaire	Analyse de corrélation et de régression linéaire
	Analyse de la variance à un facteur (ANOVA)	Utilisation de Python pour réaliser un test d'hypothèse d'analyse de la variance à un facteur	Analyse de la variance (ANOVA)
	Visualisation de données de séries temporelles	Utilisation de la routine de tracé de base de Python et de matplotlib.pyplot pour générer un graphique de série temporelle basé sur un DataFrame pandas (deux exemples)	Analyse de la variance (ANOVA)
Séries temporelles et prévisions	Tracé d'une moyenne mobile simple (SMA) et différenciation	Utilisation de Python pour générer une moyenne mobile simple et une différenciation de premier ordre pour des données de séries temporelles	Méthodes de prévision des séries temporelles
	Décomposition d'une série temporelle en composantes	Utilisation de la fonction d'autocorrélation de Python et du modèle STL (décomposition tendance-saisonnalité par LOESS) pour décomposer des données de séries temporelles en leurs composantes	Méthodes de prévision des séries temporelles
	Moyenne mobile exponentielle (EMA)	Utilisation de Python pour calculer la moyenne mobile exponentielle pour des données de séries temporelles	Méthodes de prévision des séries temporelles
	Modèle autorégressif intégré à moyenne mobile (ARIMA)	Utilisation de Python pour calculer un modèle autorégressif intégré à moyenne mobile pour des données de séries temporelles	Méthodes de prévision des séries temporelles
	Modèle autorégressif intégré à moyenne mobile (ARIMA)	Utilisation de Python pour ajuster et tracer un modèle autorégressif intégré à moyenne mobile et l'utiliser pour établir des prévisions pour des données de séries temporelles	Méthodes de prévision des séries temporelles
	Méthodes de prévision	Utilisation de Python pour créer et tracer un modèle de prévision avec des intervalles de confiance pour des données de séries temporelles	Méthodes d'évaluation des prévisions
Prise de décision à l'aide des bases de l'apprentissage automatique	Régression logistique	Utilisation de Python pour ajuster un modèle de régression logistique et évaluer son exactitude	Classification par apprentissage automatique
	Clustering des k-moyennes	Utilisation de Python pour produire un modèle de clustering des k-moyennes à partir d'un jeu de données	Classification par apprentissage automatique
	Clustering DBSCAN	Utilisation de Python pour générer un modèle de clustering spatial basé sur la densité d'applications avec bruit (DBSCAN)	Classification par apprentissage automatique
	Matrice de confusion	Utilisation de Python pour générer une matrice de confusion	Classification par apprentissage automatique
	Régression linéaire avec bootstrap	Utilisation de Python pour générer un modèle de régression linéaire à l'aide d'une méthode bootstrap	L'apprentissage automatique dans l'analyse de régression
	Régression multiple	Utilisation de Python pour réaliser une analyse de régression multiple	L'apprentissage automatique dans l'analyse de régression
	Nuage de points tridimensionnel	Utilisation de Python pour générer un tracé tridimensionnel d'un modèle de régression multiple	L'apprentissage automatique dans l'analyse de régression
	Grille de maillage	Utilisation de Python pour générer un tracé de grille de maillage d'un modèle de régression multiple	L'apprentissage automatique dans l'analyse de régression
	Régression logistique multiple	Utilisation de Python pour réaliser une analyse de régression logistique multiple et générer la matrice de confusion correspondante	L'apprentissage automatique dans l'analyse de régression
	Arbres de décision	Utilisation de Python pour générer des arbres de décision	Arbres de décision
	Forêts aléatoires	Utilisation de Python pour entraîner un modèle de forêts aléatoires et analyser l'importance de chaque variable	Autres techniques d'apprentissage automatique
	Bayes naïf gaussien	Utilisation de Python pour réaliser une analyse de Bayes naïf gaussien	Autres techniques d'apprentissage automatique
Notions de base de l'apprentissage profond et de l'intelligence artificielle (IA)	Perceptrons	Utilisation de Python pour entraîner et tester un modèle de classification par perceptron et évaluer son exactitude	Introduction aux réseaux de neurones
	Entraînement d'un réseau de neurones par rétropropagation	Utilisation de la bibliothèque Python TensorFlow pour entraîner et tester un modèle de classification par réseau de neurones à l'aide de la rétropropagation et évaluer son exactitude	Rétropropagation
	Réseaux de neurones récurrents	Utilisation de la bibliothèque Python TensorFlow pour entraîner et tester un modèle de classification à l'aide de réseaux de neurones récurrents (RNN) et évaluer son exactitude	Rétropropagation
	Prédiction de valeurs futures	Utilisation de Python pour prédire des valeurs futures pour un modèle de classification à l'aide de réseaux de neurones récurrents (RNN)	Rétropropagation
	Tracé des valeurs prédites	Utilisation de Python pour tracer les valeurs futures par rapport aux données d'origine pour un modèle de classification à l'aide de réseaux de neurones récurrents	Rétropropagation
	Apprentissage profond	Utilisation de la bibliothèque Python TensorFlow pour entraîner et tester un modèle de classification par apprentissage profond et évaluer son exactitude	Rétropropagation
Visualisation des données	Visualisation de données à l'aide de boîtes à moustaches	Utilisation de Python pour créer des boîtes à moustaches	Encodage des données univariées
	Visualisation de données à l'aide d'histogrammes	Utilisation de Python pour créer des histogrammes	Encodage des données univariées
	Visualisation de données à l'aide de diagrammes de Pareto	Utilisation de Python pour créer des diagrammes de Pareto	Encodage des données univariées
	Visualisation de données à l'aide de graphiques de séries temporelles	Utilisation de Python pour créer des graphiques de séries temporelles	Encodage des données qui évoluent au fil du temps
	Visualisation de données pour les probabilités binomiales	Utilisation de Python pour créer des graphiques associés à la loi binomiale	Représentation graphique des distributions de probabilité
	Visualisation de données pour les probabilités de Poisson	Utilisation de Python pour créer des graphiques associés à la loi de Poisson	Représentation graphique des distributions de probabilité
	Visualisation de données pour les probabilités normales	Utilisation de Python pour créer des graphiques associés à la distribution normale	Représentation graphique des distributions de probabilité
	Cartes thermiques	Utilisation de Python pour créer des cartes thermiques	Visualisation de données géospatiales et de cartes thermiques à l'aide de Python
	Nuages de points avec cartes de couleurs	Utilisation de Python pour créer des nuages de points avec des cartes de couleurs	Visualisation de données multivariées et de réseaux à l'aide de Python
	Cartes thermiques de corrélation	Utilisation de Python pour créer des cartes thermiques de corrélation	Visualisation de données multivariées et de réseaux à l'aide de Python
	Visualisation de données à l'aide de graphiques tridimensionnels	Utilisation de Python pour créer des graphiques tridimensionnels	Visualisation de données multivariées et de réseaux à l'aide de Python
Présentation des résultats	Identifier les caractéristiques des données	Utilisation de Python pour identifier les caractéristiques d'un jeu de données	Validation de votre modèle
	Arbre de décision	Utilisation de Python pour exécuter un arbre de décision et générer une visualisation du résultat	Validation de votre modèle
	Validation de modèle à l'aide du critère d'information bayésien (BIC)	Utilisation de Python pour réaliser une validation croisée à l'aide du critère d'information bayésien	Validation de votre modèle
	Simulation de Monte-Carlo	Utilisation de Python pour réaliser une simulation de Monte-Carlo	Validation de votre modèle
	Résumé exécutif	Utilisation de Python pour créer un rapport de résumé exécutif	Résumés exécutifs efficaces

Tableau C1