Index
A
A complémentaire
3.4 Théorie des probabilités
activation
7.1 Introduction aux réseaux de neurones
affichages graphiques
Introduction
agrégation bootstrap (bagging)
6.5 Autres techniques d'apprentissage automatique
agrégation de données
2.4 Nettoyage et prétraitement des données
AI Fairness 360
7.5 Traitement du langage naturel
Algorithme DBSCAN
6.2 Classification à l'aide de l'apprentissage automatique
algorithme de clustering basé sur la densité
6.2 Classification à l'aide de l'apprentissage automatique
algorithme de clustering des k-moyennes
6.2 Classification à l'aide de l'apprentissage automatique
Amadeus Code
7.5 Traitement du langage naturel
analyse d'ingénierie
Introduction
analyse de corrélation
Introduction,
4.3 Analyse de corrélation et de régression linéaire,
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
analyse de données
1.1 Qu'est-ce que la science des données ?
analyse de la variance (ANOVA)
4.4 Analyse de la variance (ANOVA)
analyse de régression
Introduction
analyse de réseaux
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
analyse de scénarios
10.2 Validation de votre modèle
analyse de sensibilité
10.2 Validation de votre modèle
analyse de sensibilité multidirectionnelle
10.2 Validation de votre modèle
analyse de sensibilité unidirectionnelle
10.2 Validation de votre modèle
analyse des consommateurs
Introduction
analyse des données sportives
1.2 La science des données en pratique
analyse en composantes principales (ACP)
6.1 Qu'est-ce que l'apprentissage automatique ?
analyse prédictive
1.2 La science des données en pratique
analyse probabiliste
Introduction
analyse topologique des données (TDA)
6.1 Qu'est-ce que l'apprentissage automatique ?
anonymisation
8.1 Éthique de la collecte de données
ANOVA à un facteur
4.4 Analyse de la variance (ANOVA)
apply.map
10.2 Validation de votre modèle
apprenants faibles
6.5 Autres techniques d'apprentissage automatique
apprentissage adaptatif
1.2 La science des données en pratique
apprentissage non supervisé
6.1 Qu'est-ce que l'apprentissage automatique ?
apprentissage profond
7.3 Introduction à l'apprentissage profond
apprentissage supervisé
6.1 Qu'est-ce que l'apprentissage automatique ?
approche en couches
10.1 Rédiger un rapport informatif
arbre de décision
6.4 Arbres de décision
arbre de régression
6.4 Arbres de décision
art génératif
7.5 Traitement du langage naturel
Association of Data Scientists
8.1 Éthique de la collecte de données
Association of Data Scientists (ADaSci)
1.4 Utiliser la technologie pour la science des données
attribution des sources de données
8.3 Éthique dans la visualisation et la présentation des données
attributs
1.3 Données et jeux de données
au moins une occurrence
3.4 Théorie des probabilités
autocorrélation
5.3 Méthodes de prévision des séries temporelles
autonomie
8.1 Éthique de la collecte de données
B
balise XML
1.3 Données et jeux de données
barre
9.1 Encodage des données univariées,
9.3 Représentation graphique des distributions de probabilité
base de sondage
2.2 Conception et mise en œuvre des enquêtes
Bases de données NoSQL
2.5 Traitement des grands jeux de données
bases de données relationnelles
2.5 Traitement des grands jeux de données
Bayes naïf gaussien
6.5 Autres techniques d'apprentissage automatique
BCNF (forme normale de Boyce-Codd)
2.4 Nettoyage et prétraitement des données
biais
6.1 Qu'est-ce que l'apprentissage automatique ?,
7.1 Introduction aux réseaux de neurones,
8.2 Éthique en analyse et modélisation des données
biais d'autosélection
2.2 Conception et mise en œuvre des enquêtes
biais d'échantillonnage
2.2 Conception et mise en œuvre des enquêtes
biais de non-réponse
2.2 Conception et mise en œuvre des enquêtes
Biais implicite
10.2 Validation de votre modèle
bibliothèque
scipy
4.4 Analyse de la variance (ANOVA)
bibliothèque pandas
5.1 Introduction à l'analyse des séries temporelles
bibliothèque SciPy
4.1 Inférence statistique et intervalles de confiance
bimodal
3.1 Mesures de tendance centrale
boîte à moustaches
9.1 Encodage des données univariées
9.1 Encodage des données univariées
9.1 Encodage des données univariées
bootstrapping
4.1 Inférence statistique et intervalles de confiance,
6.3 L'apprentissage automatique dans l'analyse de régression
borne inférieure
3.3 Mesures de position
borne supérieure
3.3 Mesures de position
boucles de rétroaction
7.2 Rétropropagation
C
Carrières en science des données
1.2 La science des données en pratique
carte thermique
6.2 Classification à l'aide de l'apprentissage automatique,
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
carte thermique de corrélation
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
cartes de caractéristiques
7.4 Réseaux de neurones convolutionnels,
7.4 Réseaux de neurones convolutionnels
Cartes thermiques en grille
9.4 Visualisation de données géospatiales et de cartes thermiques avec Python
Cartes thermiques spatiales
9.4 Visualisation de données géospatiales et de cartes thermiques avec Python
cellules de mémoire
7.2 Rétropropagation
centiles
3.3 Mesures de position
chiffrement
8.1 Éthique de la collecte de données
classification binaire (binomiale)
6.2 Classification à l'aide de l'apprentissage automatique
classification multiclasse (multinomiale)
6.2 Classification à l'aide de l'apprentissage automatique
classification naïve bayésienne
6.5 Autres techniques d'apprentissage automatique
Codage de Huffman
2.5 Traitement des grands jeux de données
coefficient de corrélation
4.3 Analyse de corrélation et de régression linéaire
coefficient de variation (CV)
3.2 Mesures de variation
collecte de données
1.1 Qu'est-ce que la science des données ?,
2.1 Aperçu des méthodes de collecte de données,
8.1 Éthique de la collecte de données
Collecte de données sur les réseaux sociaux
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
collecte et préparation des données
Introduction
collecte éthique de données
8.1 Éthique de la collecte de données
CollegeCompletionData.csv
6.2 Classification à l'aide de l'apprentissage automatique,
6.3 L'apprentissage automatique dans l'analyse de régression,
Projet de groupe
composante cyclique
5.2 Composantes de l'analyse de séries temporelles
composante intégrée (I)
5.3 Méthodes de prévision des séries temporelles
Composante saisonnière
5.2 Composantes de l'analyse de séries temporelles
composante tendance-cycle
5.2 Composantes de l'analyse de séries temporelles
compression avec perte
2.5 Traitement des grands jeux de données
compression de données
2.5 Traitement des grands jeux de données
compression sans perte
2.5 Traitement des grands jeux de données
confidentialité
8.1 Éthique de la collecte de données
confidentialité des données
Introduction
conseils exploitables
10.3 Résumés exécutifs efficaces
consentement éclairé
8.1 Éthique de la collecte de données
conservation des données
8.1 Éthique de la collecte de données
consommation d'énergie
1.2 La science des données en pratique
contraintes
10.2 Validation de votre modèle
Correctional Offender Management Profiling for Alternative Sanctions
8.2 Éthique en analyse et modélisation des données
corrélation
Introduction
corrélation linéaire
4.3 Analyse de corrélation et de régression linéaire
couche d'entrée
7.1 Introduction aux réseaux de neurones
couche de sortie
7.1 Introduction aux réseaux de neurones
couches cachées
7.1 Introduction aux réseaux de neurones
couches convolutionnelles
7.4 Réseaux de neurones convolutionnels
couches de sous-échantillonnage
7.4 Réseaux de neurones convolutionnels
couches entièrement connectées
7.4 Réseaux de neurones convolutionnels
courbe de tendance
5.2 Composantes de l'analyse de séries temporelles
cryptomonnaies
8.1 Éthique de la collecte de données
cycle d'apprentissage supervisé
6.1 Qu'est-ce que l'apprentissage automatique ?
cycle de la science des données
1.1 Qu'est-ce que la science des données ?
cycle de vie de l'apprentissage automatique
6.1 Qu'est-ce que l'apprentissage automatique ?
D
DALL-E et Craiyon
7.5 Traitement du langage naturel
Data Science Association
8.1 Éthique de la collecte de données
Data Science Association (DSA)
1.4 Utiliser la technologie pour la science des données
DataFrame
1.5 Science des données avec Python,
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
DataFrame.describe()
3.2 Mesures de variation
décomposition additive
5.2 Composantes de l'analyse de séries temporelles
décomposition multiplicative
5.2 Composantes de l'analyse de séries temporelles
Décomposition tendance-saisonnalité par LOESS (STL)
5.3 Méthodes de prévision des séries temporelles
découpage d'une chaîne
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
découpage de données en blocs
2.5 Traitement des grands jeux de données
dépendant de l'échelle
5.4 Méthodes d'évaluation des prévisions
descente de gradient
7.2 Rétropropagation
Descript
7.5 Traitement du langage naturel
détection de valeurs aberrantes
8.2 Éthique en analyse et modélisation des données
df.info()
10.2 Validation de votre modèle
Diagramme de Pareto
9.1 Encodage des données univariées
dictionnaire de données
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
différenciation
5.3 Méthodes de prévision des séries temporelles,
5.3 Méthodes de prévision des séries temporelles
dimension
7.1 Introduction aux réseaux de neurones
dirigeants
10.1 Rédiger un rapport informatif
discrétisation de données
2.4 Nettoyage et prétraitement des données
distribution d'échantillonnage
4.1 Inférence statistique et intervalles de confiance
distribution de fréquences
3.1 Mesures de tendance centrale
distribution de probabilité
3.5 Distributions de probabilité discrètes et continues
distribution F
4.4 Analyse de la variance (ANOVA)
distribution normale
3.5 Distributions de probabilité discrètes et continues,
9.1 Encodage des données univariées
Distributions de probabilité continues
3.5 Distributions de probabilité discrètes et continues
Distributions de probabilité discrètes
3.5 Distributions de probabilité discrètes et continues
données
1.3 Données et jeux de données
données anonymes
8.1 Éthique de la collecte de données
données bivariées
4.3 Analyse de corrélation et de régression linéaire,
9.1 Encodage des données univariées
données bruitées
2.4 Nettoyage et prétraitement des données
données catégorielles
1.3 Données et jeux de données
données continues
1.3 Données et jeux de données
données d'échantillon
3.1 Mesures de tendance centrale
données de population
3.1 Mesures de tendance centrale
données déséquilibrées
7.3 Introduction à l'apprentissage profond
données discrètes
1.3 Données et jeux de données
données étiquetées
6.1 Qu'est-ce que l'apprentissage automatique ?
données géospatiales
9.4 Visualisation de données géospatiales et de cartes thermiques avec Python
données manquantes
2.4 Nettoyage et prétraitement des données
données MAR (manquantes au hasard)
2.4 Nettoyage et prétraitement des données
données MCAR (manquantes complètement au hasard)
2.4 Nettoyage et prétraitement des données
données MNAR (manquantes non au hasard)
2.4 Nettoyage et prétraitement des données
données nominales
1.3 Données et jeux de données
données non étiquetées
6.1 Qu'est-ce que l'apprentissage automatique ?
données non structurées
Introduction
données numériques
1.3 Données et jeux de données
données observationnelles
2.1 Aperçu des méthodes de collecte de données
données ordinales
1.3 Données et jeux de données
données ponctuelles
5.1 Introduction à l'analyse des séries temporelles
données qualitatives
1.3 Données et jeux de données,
8.1 Éthique de la collecte de données,
9.2 Encodage des données qui évoluent au fil du temps
données quantitatives
1.3 Données et jeux de données,
8.1 Éthique de la collecte de données,
9.2 Encodage des données qui évoluent au fil du temps
données transactionnelles
2.1 Aperçu des méthodes de collecte de données
données univariées
9.1 Encodage des données univariées
droit d'auteur
8.1 Éthique de la collecte de données
E
écart type
3.2 Mesures de variation
échantillonnage
2.2 Conception et mise en œuvre des enquêtes,
4.1 Inférence statistique et intervalles de confiance
Échantillonnage avec remise
4.1 Inférence statistique et intervalles de confiance
Échantillonnage de convenance
2.2 Conception et mise en œuvre des enquêtes
Échantillonnage en boule de neige
2.2 Conception et mise en œuvre des enquêtes
échantillonnage en grappes
2.2 Conception et mise en œuvre des enquêtes
échantillonnage intentionnel
2.2 Conception et mise en œuvre des enquêtes
Échantillonnage par quotas
2.2 Conception et mise en œuvre des enquêtes
Échantillonnage stratifié
2.2 Conception et mise en œuvre des enquêtes
Échantillonnage systématique
2.2 Conception et mise en œuvre des enquêtes
échantillonnage volontaire
2.2 Conception et mise en œuvre des enquêtes
échantillons appariés
4.2 Test d'hypothèse
échantillons bootstrap
10.2 Validation de votre modèle
échantillons dépendants
4.2 Test d'hypothèse
échantillons indépendants
4.2 Test d'hypothèse
écoute des réseaux sociaux
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
élagage
6.4 Arbres de décision
élagage basé sur l'erreur (à erreur réduite)
6.4 Arbres de décision
élagage limité par la profondeur
6.4 Arbres de décision
élagage limité par les feuilles
6.4 Arbres de décision
élagage par longueur de description minimale (MDL)
6.4 Arbres de décision
éléments
1.3 Données et jeux de données
encodage one-hot
6.5 Autres techniques d'apprentissage automatique
enquêtes clients
3.1 Mesures de tendance centrale
ensemble d'entraînement (ou données d'entraînement)
6.1 Qu'est-ce que l'apprentissage automatique ?
ensemble de test (ou données de test)
6.1 Qu'est-ce que l'apprentissage automatique ?
entreposage de données
1.1 Qu'est-ce que la science des données ?
entrepôt de données
2.5 Traitement des grands jeux de données
entropie
6.4 Arbres de décision
entropie croisée catégorielle creuse
7.2 Rétropropagation
époque
7.2 Rétropropagation
Épreuves de Bernoulli
3.5 Distributions de probabilité discrètes et continues
équation linéaire du meilleur ajustement
4.3 Analyse de corrélation et de régression linéaire
erreur absolue moyenne (MAE)
5.4 Méthodes d'évaluation des prévisions,
6.1 Qu'est-ce que l'apprentissage automatique ?
erreur absolue moyenne en pourcentage (MAPE)
5.4 Méthodes d'évaluation des prévisions,
6.1 Qu'est-ce que l'apprentissage automatique ?
erreur absolue moyenne en pourcentage symétrique (sMAPE)
5.4 Méthodes d'évaluation des prévisions
Erreur aléatoire
5.2 Composantes de l'analyse de séries temporelles
erreur d'échantillonnage
2.2 Conception et mise en œuvre des enquêtes
Erreur de type I
4.2 Test d'hypothèse
erreur de type II
4.2 Test d'hypothèse
erreur moyenne en pourcentage (MPE)
10.2 Validation de votre modèle
erreur quadratique moyenne (MSE)
6.1 Qu'est-ce que l'apprentissage automatique ?
erreur type de la moyenne
4.1 Inférence statistique et intervalles de confiance
Erreurs de mesure
2.2 Conception et mise en œuvre des enquêtes
estimateur sans biais
4.1 Inférence statistique et intervalles de confiance
estimation ponctuelle
4.1 Inférence statistique et intervalles de confiance
étendue
3.2 Mesures de variation
éthique en science des données
Introduction
événement
3.4 Théorie des probabilités
événement complémentaire
3.4 Théorie des probabilités
événements dépendants
3.4 Théorie des probabilités
événements indépendants
3.4 Théorie des probabilités
Excel
1.4 Utiliser la technologie pour la science des données,
Introduction,
3.5 Distributions de probabilité discrètes et continues,
3.5 Distributions de probabilité discrètes et continues,
4.1 Inférence statistique et intervalles de confiance,
5.1 Introduction à l'analyse des séries temporelles,
5.1 Introduction à l'analyse des séries temporelles,
5.2 Composantes de l'analyse de séries temporelles,
5.3 Méthodes de prévision des séries temporelles,
7.5 Traitement du langage naturel,
9.1 Encodage des données univariées
expérience aléatoire
3.4 Théorie des probabilités
expérience binomiale
3.5 Distributions de probabilité discrètes et continues
expériences scientifiques
2.1 Aperçu des méthodes de collecte de données
exploration de données
6.5 Autres techniques d'apprentissage automatique
expression régulière
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
Expressions régulières
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
extraction de données web
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
F
f_oneway()
4.4 Analyse de la variance (ANOVA)
Fairlearn
7.5 Traitement du langage naturel
Family Educational Rights and Privacy Act (FERPA)
8.1 Éthique de la collecte de données
faux positif
3.4 Théorie des probabilités
fonction
binom()
3.5 Distributions de probabilité discrètes et continues
fonction d'activation
7.1 Introduction aux réseaux de neurones
Fonction d'autocorrélation (ACF)
5.3 Méthodes de prévision des séries temporelles
fonction de densité de probabilité (PDF)
3.5 Distributions de probabilité discrètes et continues,
9.3 Représentation graphique des distributions de probabilité,
9.3 Représentation graphique des distributions de probabilité
fonction de masse de probabilité (PMF)
3.5 Distributions de probabilité discrètes et continues
fonction de perte ou de coût
7.2 Rétropropagation
fonction en escalier
7.1 Introduction aux réseaux de neurones
Fonction Leaky ReLU
7.1 Introduction aux réseaux de neurones
fonction logit
6.2 Classification à l'aide de l'apprentissage automatique
fonction
np.array()
4.3 Analyse de corrélation et de régression linéaire
fonction
round()
3.5 Distributions de probabilité discrètes et continues
fonction sigmoïde
6.2 Classification à l'aide de l'apprentissage automatique,
7.1 Introduction aux réseaux de neurones
Fonction Softplus
7.1 Introduction aux réseaux de neurones
Fonction tangente hyperbolique (tanh)
7.1 Introduction aux réseaux de neurones
Fonction unité linéaire rectifiée (ReLU)
7.1 Introduction aux réseaux de neurones
forêt aléatoire
6.5 Autres techniques d'apprentissage automatique
forme normale (NF)
2.4 Nettoyage et prétraitement des données
formule de la marge d'erreur
4.1 Inférence statistique et intervalles de confiance
fractionnement d'une chaîne
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
fracture numérique
8.3 Éthique dans la visualisation et la présentation des données
fréquence
3.1 Mesures de tendance centrale
G
gain d'information
6.4 Arbres de décision
gestion de bases de données
2.5 Traitement des grands jeux de données
gestion des données
2.5 Traitement des grands jeux de données
GitHub Copilot
7.5 Traitement du langage naturel
Google Colaboratory (Colab)
1.5 Science des données avec Python
Google Sheets
1.4 Utiliser la technologie pour la science des données
grand modèle de langage
7.5 Traitement du langage naturel
graphique choroplèthe
9.4 Visualisation de données géospatiales et de cartes thermiques avec Python
graphique linéaire
9.1 Encodage des données univariées
Graphiques à barres
9.1 Encodage des données univariées
H
hallucinations
7.5 Traitement du langage naturel
Health Insurance Portability and Accountability Act (HIPAA)
8.1 Éthique de la collecte de données
histogramme
9.1 Encodage des données univariées
HolisticAI
7.5 Traitement du langage naturel
hypertrucage
7.5 Traitement du langage naturel
hypothèse
10.2 Validation de votre modèle
hypothèse alternative
4.2 Test d'hypothèse
hypothèse nulle
4.2 Test d'hypothèse
I
IA responsable
7.5 Traitement du langage naturel
imputation
2.4 Nettoyage et prétraitement des données
incohérence
2.4 Nettoyage et prétraitement des données
indexation de données
2.5 Traitement des grands jeux de données
indicateurs clés de performance (KPIs)
10.1 Rédiger un rapport informatif
Indice de Gini
6.4 Arbres de décision
industrie cinématographique
7.5 Traitement du langage naturel
information
1.3 Données et jeux de données
informations personnellement identifiables (PII)
8.1 Éthique de la collecte de données,
8.1 Éthique de la collecte de données
informatique en nuage
2.5 Traitement des grands jeux de données
ingénierie
1.2 La science des données en pratique
Initiative for Analytics and Data Science Standards
8.1 Éthique de la collecte de données
Initiative for Analytics and Data Science Standards (IADSS)
1.4 Utiliser la technologie pour la science des données
intégration de données
2.4 Nettoyage et prétraitement des données
intelligence artificielle (IA)
Introduction
intelligence artificielle explicable (XAI)
8.2 Éthique en analyse et modélisation des données
interface de programmation d'application (API)
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
Internet des objets (IoT)
1.2 La science des données en pratique
intervalle de confiance
4.1 Inférence statistique et intervalles de confiance
intervalle de prédiction
5.4 Méthodes d'évaluation des prévisions
intervalles de confiance
3.5 Distributions de probabilité discrètes et continues
irrégularités des données
2.4 Nettoyage et prétraitement des données
J
JavaScript Object Notation (JSON)
1.3 Données et jeux de données
jeu de données
1.3 Données et jeux de données
jeu de données non structuré
1.3 Données et jeux de données
jeu de données structuré
1.3 Données et jeux de données
Jupyter Notebook
1.5 Science des données avec Python
K
k-anonymisation
8.2 Éthique en analyse et modélisation des données
Kapwing:
7.5 Traitement du langage naturel
L
Langage de balisage extensible (XML)
1.3 Données et jeux de données
langage de programmation
1.4 Utiliser la technologie pour la science des données
ligne de tendance
5.2 Composantes de l'analyse de séries temporelles
linregress()
4.3 Analyse de corrélation et de régression linéaire,
4.3 Analyse de corrélation et de régression linéaire
livre de codes
10.1 Rédiger un rapport informatif
LogisticRegression
6.2 Classification à l'aide de l'apprentissage automatique
loi binomiale
3.5 Distributions de probabilité discrètes et continues,
4.1 Inférence statistique et intervalles de confiance,
9.3 Représentation graphique des distributions de probabilité
Loi de Poisson
3.5 Distributions de probabilité discrètes et continues,
9.3 Représentation graphique des distributions de probabilité
loi de Student
4.1 Inférence statistique et intervalles de confiance
loi normale centrée réduite
3.5 Distributions de probabilité discrètes et continues
Loi Sarbanes-Oxley [SOX]
8.1 Éthique de la collecte de données
M
marge d'erreur
4.1 Inférence statistique et intervalles de confiance
Matplotlib
1.4 Utiliser la technologie pour la science des données,
7.5 Traitement du langage naturel,
9.1 Encodage des données univariées,
9.1 Encodage des données univariées,
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
matplotlib.pyplot
5.1 Introduction à l'analyse des séries temporelles
matrice de confusion
6.2 Classification à l'aide de l'apprentissage automatique
mégadonnées
2.5 Traitement des grands jeux de données,
6.5 Autres techniques d'apprentissage automatique,
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
mesures d'erreur
5.4 Méthodes d'évaluation des prévisions
métadonnées
2.5 Traitement des grands jeux de données
méthode de prévision plate
5.1 Introduction à l'analyse des séries temporelles
méthode des moindres carrés
4.3 Analyse de corrélation et de régression linéaire
4.3 Analyse de corrélation et de régression linéaire
méthode non paramétrique
4.1 Inférence statistique et intervalles de confiance
méthodes paramétriques
4.1 Inférence statistique et intervalles de confiance
Microsoft
7.5 Traitement du langage naturel
mise à l'échelle
2.4 Nettoyage et prétraitement des données
modèle autorégressif (AR)
5.3 Méthodes de prévision des séries temporelles
modèle autorégressif intégré à moyenne mobile (ARIMA)
5.1 Introduction à l'analyse des séries temporelles
modèle d'apprentissage automatique (ML)
6.1 Qu'est-ce que l'apprentissage automatique ?
modèle de séries temporelles
5.1 Introduction à l'analyse des séries temporelles
Modèle Lyria
7.5 Traitement du langage naturel
modèles de prévision
4.1 Inférence statistique et intervalles de confiance
modèles de régression
10.2 Validation de votre modèle
Modèles de TAL
7.5 Traitement du langage naturel
Modèles de TAL avancés
7.5 Traitement du langage naturel
Modèles Transformer
7.5 Traitement du langage naturel
modélisation
10.2 Validation de votre modèle
MonthlyCoalConsumption.xlsx
5.2 Composantes de l'analyse de séries temporelles,
5.3 Méthodes de prévision des séries temporelles,
5.3 Méthodes de prévision des séries temporelles,
5.3 Méthodes de prévision des séries temporelles,
Projet de groupe
moyenne
3.1 Mesures de tendance centrale
moyenne arithmétique
3.1 Mesures de tendance centrale
moyenne de la population
3.1 Mesures de tendance centrale,
4.1 Inférence statistique et intervalles de confiance
moyenne échantillonnale
3.1 Mesures de tendance centrale,
4.1 Inférence statistique et intervalles de confiance
moyenne mobile exponentielle (EMA)
5.3 Méthodes de prévision des séries temporelles
moyenne mobile pondérée (WMA)
5.3 Méthodes de prévision des séries temporelles
moyenne mobile simple (SMA)
5.3 Méthodes de prévision des séries temporelles
mpl_toolkits.mplot3d()
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
mpl.toolkits.mplot3d
9.5 Visualisation de données multivariées et de réseaux à l'aide de Python
N
National Oceanic and Atmospheric Administration (NOAA)
1.3 Données et jeux de données,
Projet de groupe
Natural Language Toolkit (NLTK)
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
NCAA-2021-stats.csv
6.3 L'apprentissage automatique dans l'analyse de régression,
6.3 L'apprentissage automatique dans l'analyse de régression
nettoyage de données
6.5 Autres techniques d'apprentissage automatique
neurodiversité
10.1 Rédiger un rapport informatif
niveau de confiance
4.1 Inférence statistique et intervalles de confiance
non linéaire
7.1 Introduction aux réseaux de neurones
non-spécialistes
10.1 Rédiger un rapport informatif
normalisation
2.4 Nettoyage et prétraitement des données
nuage de points, ou diagramme de dispersion
4.3 Analyse de corrélation et de régression linéaire
O
Organisation mondiale de la Santé (OMS)
1.3 Données et jeux de données
P
paires appariées
4.2 Test d'hypothèse
Pandas
2.3 Extraction de données web et collecte de données sur les réseaux sociaux,
2.3 Extraction de données web et collecte de données sur les réseaux sociaux,
9.1 Encodage des données univariées,
10.2 Validation de votre modèle
partage des données
8.1 Éthique de la collecte de données
Pearsonr()
4.3 Analyse de corrélation et de régression linéaire,
4.3 Analyse de corrélation et de régression linéaire
perceptron
7.1 Introduction aux réseaux de neurones
perceptron multicouche (MLP)
7.1 Introduction aux réseaux de neurones
perte charnière
7.2 Rétropropagation
perte d'entropie croisée binaire
7.2 Rétropropagation
plot.hist()
9.1 Encodage des données univariées
plt.scatter()
4.3 Analyse de corrélation et de régression linéaire
poids de connexion
7.2 Rétropropagation
poisson
3.5 Distributions de probabilité discrètes et continues,
9.3 Représentation graphique des distributions de probabilité
Politique publique
1.2 La science des données en pratique
potentiel de biais
7.5 Traitement du langage naturel
Precision Medicine Initiative
1.2 La science des données en pratique
préparation des données
1.1 Qu'est-ce que la science des données ?
présentation des données
1.1 Qu'est-ce que la science des données ?
prétraitement du texte
2.4 Nettoyage et prétraitement des données
prévisions météorologiques
1.2 La science des données en pratique
principes de conception universelle
8.3 Éthique dans la visualisation et la présentation des données
prise de décision
Introduction
probabilité
3.4 Théorie des probabilités
probabilité a priori
6.5 Autres techniques d'apprentissage automatique
probabilité conditionnelle
3.4 Théorie des probabilités
probabilité empirique
3.4 Théorie des probabilités
probabilité par fréquence relative
3.4 Théorie des probabilités
probabilité théorique
3.4 Théorie des probabilités
problème d'explosion du gradient
7.2 Rétropropagation
problème de disparition du gradient
7.2 Rétropropagation
Problème des chars russes
6.1 Qu'est-ce que l'apprentissage automatique ?
Projet Magenta
7.5 Traitement du langage naturel
proportion de la population
4.1 Inférence statistique et intervalles de confiance
proportion échantillonnale
4.1 Inférence statistique et intervalles de confiance,
4.2 Test d'hypothèse
propriété intellectuelle
8.1 Éthique de la collecte de données
protocoles de gouvernance des données
8.1 Éthique de la collecte de données
pseudonymisation
8.1 Éthique de la collecte de données
Python
1.4 Utiliser la technologie pour la science des données,
3.5 Distributions de probabilité discrètes et continues,
4.1 Inférence statistique et intervalles de confiance,
5.1 Introduction à l'analyse des séries temporelles,
5.1 Introduction à l'analyse des séries temporelles,
5.3 Méthodes de prévision des séries temporelles,
5.4 Méthodes d'évaluation des prévisions,
9.1 Encodage des données univariées
Q
qualitatif
3.1 Mesures de tendance centrale
quantitatif
3.1 Mesures de tendance centrale
questions fermées
2.2 Conception et mise en œuvre des enquêtes
questions ouvertes
2.2 Conception et mise en œuvre des enquêtes
R
R
1.4 Utiliser la technologie pour la science des données,
Introduction,
3.5 Distributions de probabilité discrètes et continues,
3.5 Distributions de probabilité discrètes et continues
racine de l'erreur quadratique moyenne (RMSE)
5.4 Méthodes d'évaluation des prévisions,
6.1 Qu'est-ce que l'apprentissage automatique ?
recherche expérimentale
2.1 Aperçu des méthodes de collecte de données
reconnaissance faciale
6.5 Autres techniques d'apprentissage automatique
reconnaissance vocale
7.5 Traitement du langage naturel
RedBlue.csv
6.4 Arbres de décision
redondance
2.4 Nettoyage et prétraitement des données
réglage des hyperparamètres
10.2 Validation de votre modèle
règle empirique
3.5 Distributions de probabilité discrètes et continues
régression linéaire
Introduction
régression logistique
6.2 Classification à l'aide de l'apprentissage automatique
régression multiple
6.3 L'apprentissage automatique dans l'analyse de régression
replace
10.2 Validation de votre modèle
Représentation exacte
8.3 Éthique dans la visualisation et la présentation des données
reproductibilité
10.1 Rédiger un rapport informatif
réseau à mémoire court et long terme (LSTM)
7.2 Rétropropagation
réseau de neurones
7.1 Introduction aux réseaux de neurones
Réseaux de neurones convolutionnels (CNNs)
7.4 Réseaux de neurones convolutionnels
réseaux de neurones récurrents (RNNs)
7.2 Rétropropagation
responsable de la conformité réglementaire (RCO)
8.1 Éthique de la collecte de données
résumé à cinq nombres
9.1 Encodage des données univariées
résumé exécutif
10.3 Résumés exécutifs efficaces
rétropropagation
7.2 Rétropropagation
rétropropagation dynamique
7.2 Rétropropagation
rétropropagation statique
7.2 Rétropropagation
S
sabermétrie
1.2 La science des données en pratique
saisonnalité
5.2 Composantes de l'analyse de séries temporelles,
5.2 Composantes de l'analyse de séries temporelles,
5.3 Méthodes de prévision des séries temporelles
science des données
1.1 Qu'est-ce que la science des données ?
Scikit-Learn
7.5 Traitement du langage naturel
scipy.stats
3.5 Distributions de probabilité discrètes et continues,
6.3 L'apprentissage automatique dans l'analyse de régression
4.1 Inférence statistique et intervalles de confiance
4.1 Inférence statistique et intervalles de confiance
4.3 Analyse de corrélation et de régression linéaire
score de silhouette
6.2 Classification à l'aide de l'apprentissage automatique
score z
3.3 Mesures de position
seaborn
1.4 Utiliser la technologie pour la science des données,
6.2 Classification à l'aide de l'apprentissage automatique
segmentation sémantique
7.4 Réseaux de neurones convolutionnels
Sélection aléatoire simple
2.2 Conception et mise en œuvre des enquêtes
série temporelle
5.1 Introduction à l'analyse des séries temporelles
seuil de signification
4.2 Test d'hypothèse
Simon Says
7.5 Traitement du langage naturel
Simulation de Monte-Carlo
10.2 Validation de votre modèle
sklearn
6.4 Arbres de décision,
6.5 Autres techniques d'apprentissage automatique,
10.2 Validation de votre modèle
sklearn.cluster
6.2 Classification à l'aide de l'apprentissage automatique
sklearn.datasets
7.1 Introduction aux réseaux de neurones
sklearn.ensemble
6.5 Autres techniques d'apprentissage automatique
sklearn.linear_model
6.2 Classification à l'aide de l'apprentissage automatique
somme des carrés
3.2 Mesures de variation
sous-apprentissage
6.1 Qu'est-ce que l'apprentissage automatique ?
souveraineté des données
8.1 Éthique de la collecte de données
standardisation de données
2.4 Nettoyage et prétraitement des données
standardisation des données
2.4 Nettoyage et prétraitement des données
statistique de test
4.2 Test d'hypothèse
statistique de test standardisée
4.2 Test d'hypothèse
statistique échantillonnale
4.1 Inférence statistique et intervalles de confiance
statistiques descriptives
Introduction
statistiques inférentielles
Introduction
statsmodels
5.3 Méthodes de prévision des séries temporelles
statsmodels.tsa.arima.model
5.3 Méthodes de prévision des séries temporelles,
5.4 Méthodes d'évaluation des prévisions
stockage en nuage
2.5 Traitement des grands jeux de données
stockage objet
2.5 Traitement des grands jeux de données
surapprentissage
6.1 Qu'est-ce que l'apprentissage automatique ?
synthèse vocale (TTS)
7.5 Traitement du langage naturel
système d'information géographique (SIG)
9.4 Visualisation de données géospatiales et de cartes thermiques avec Python
système de contrôle de version
10.1 Rédiger un rapport informatif
systèmes de gestion de l'apprentissage
1.2 La science des données en pratique
systèmes de recommandation
1.2 La science des données en pratique
T
tableau de bord exécutif (ou de données)
10.1 Rédiger un rapport informatif
taille d'échantillon requise
4.1 Inférence statistique et intervalles de confiance
taille de l'échantillon
3.1 Mesures de tendance centrale
taille de la population
3.1 Mesures de tendance centrale
techniciens
10.1 Rédiger un rapport informatif
techniques d'échantillonnage
2.2 Conception et mise en œuvre des enquêtes
temps.csv
6.5 Autres techniques d'apprentissage automatique,
6.5 Autres techniques d'apprentissage automatique
tendance centrale
3.1 Mesures de tendance centrale
tenseur
7.2 Rétropropagation
test de Dickey-Fuller augmenté (ADF)
5.3 Méthodes de prévision des séries temporelles
test_size=0.25
7.1 Introduction aux réseaux de neurones
texte alternatif
10.1 Rédiger un rapport informatif
théorème central limite
4.1 Inférence statistique et intervalles de confiance
Théorème de Bayes
3.4 Théorie des probabilités
théorie de l'information
6.4 Arbres de décision
to_datatime()
5.1 Introduction à l'analyse des séries temporelles
traitement des données
2.3 Extraction de données web et collecte de données sur les réseaux sociaux
traitement du langage naturel
7.5 Traitement du langage naturel
transformation de données
2.4 Nettoyage et prétraitement des données,
2.4 Nettoyage et prétraitement des données
transformation logarithmique
2.4 Nettoyage et prétraitement des données
transformation racine carrée
2.4 Nettoyage et prétraitement des données
Transformations exponentielles
2.4 Nettoyage et prétraitement des données
transparence
8.1 Éthique de la collecte de données
ttest_1samp()
4.2 Test d'hypothèse
U
univers
3.4 Théorie des probabilités
V
valeur aberrante
2.4 Nettoyage et prétraitement des données
valeur critique
4.1 Inférence statistique et intervalles de confiance
valeur p
4.2 Test d'hypothèse
valeurs aberrantes
Introduction,
3.1 Mesures de tendance centrale,
9.1 Encodage des données univariées
valeurs séparées par des virgules (CSV)
1.3 Données et jeux de données
validation
10.2 Validation de votre modèle
validation croisée
8.2 Éthique en analyse et modélisation des données,
10.2 Validation de votre modèle
validation croisée à k plis
10.2 Validation de votre modèle
validation croisée avec exclusion unitaire (LOOCV)
10.2 Validation de votre modèle
validation des données
2.4 Nettoyage et prétraitement des données,
2.4 Nettoyage et prétraitement des données,
8.2 Éthique en analyse et modélisation des données
validation statistique
10.2 Validation de votre modèle
variabilité d'échantillonnage
2.2 Conception et mise en œuvre des enquêtes
variable
Introduction
variable aléatoire
3.5 Distributions de probabilité discrètes et continues
variable aléatoire continue
3.5 Distributions de probabilité discrètes et continues
variable aléatoire discrète
3.5 Distributions de probabilité discrètes et continues,
9.3 Représentation graphique des distributions de probabilité
variable dépendante
4.3 Analyse de corrélation et de régression linéaire
variable indépendante
4.3 Analyse de corrélation et de régression linéaire
variance de la population
3.2 Mesures de variation
variance échantillonnale
3.2 Mesures de variation
variations saisonnières
5.2 Composantes de l'analyse de séries temporelles
ville intelligente
1.2 La science des données en pratique
violation de données
8.1 Éthique de la collecte de données
volumes de données
Introduction