Citizen Data Sciences
Cadre analytique
Le cadre analytique de la science des données citoyenne est conçu pour initier à la modélisation des personnes sans bagage en science des données ou en mathématiques. C’est un aspect essentiel que la plupart des programmes de formation en apprentissage automatique et en analytique avancée n’abordent pas. L’analytique avancée, c’est bien plus que des algorithmes et de la technologie.
État d’esprit d’explorateur pour la science des données
Qu’est-ce que ça m’apporte : les éléphants de l’IA dans la pièce Un esprit d’explorateur et une approche scientifique Cartographier les expérimentations Connaître nos limites
Pensée par modèles
Se rappeler comment fonctionne votre cerveau Les modèles sont partout Construire votre boîte à outils de modèles
Questions et problèmes
Des problèmes aux modèles Les cadres de référence Tout sur le taux de base et autres sophismes La modélisation après la Covid
L’IA et l’apprentissage automatique avec des LEGO
Une introduction à l’IA et à l’apprentissage automatique et comment construire une courbe avec des blocs LEGO Partir d’une bonne base À propos de l’ajustement, de la dérive et des nombreux défis de l’apprentissage automatique
Intelligence collective
Le réseau de la science et des personnes Le théorème de prédiction de la diversité Résoudre la complexité, les biais et les bruits : plusieurs têtes, plusieurs perspectives, plusieurs solutions
Aller au-delà de la prédiction
Le POURQUOI : causes et effets L’approche bayésienne Introduction à l’inférence causale
Partager la complexité
Comment communiquer les constats issus de la modélisation Partager la complexité simplement La narration, les analogies et les visuels
Le parcours d’apprentissage
Le parcours et les multiples chemins vers les constats Qu’y a-t-il à l’horizon de la science des données ? La quête incessante de la connaissance
Cadre technologique
Le cadre technologique s’appuie sur des solutions accessibles à tous, avec une courbe d’apprentissage facile, et qui ne nécessitent aucune expérience de programmation. Il est ancré dans un savoir-faire pratique et des défis d’affaires concrets.
Pour commencer
Partie 1 : Une approche efficace pour la science des données dans Alteryx Garder la trace de vos expérimentations Partie 2 : Explorer vos données L’art de la modélisation
Apprentissage automatique 1
Partie 1 : Débuter avec l’apprentissage automatique : de la régression au modèle de forêt Partie 2 : Ajouter des cordes à notre arc d’apprentissage automatique : du Support Vector au réseau de neurones
Apprentissage automatique 2
Partie 1 : Regroupement prédictif : des composantes principales aux grappes Partie 2 : Faisons un peu de Python simple : le traitement du langage naturel
Séries temporelles et au-delà
Partie 1 : C’est une question de temps : la modélisation de séries temporelles avec ARIMA, ETS et plus Partie 2 : La puissance des tests A/B Une brève introduction à l’analyse de réseaux
Pour l’apprentissage automatique et l’analytique avancée, nous utilisons la solution Alteryx afin d’outiller les analystes, quel que soit leur niveau de compétence technique.
Pour la visualisation, nous utilisons vos outils standards de reporting et de tableaux de bord décisionnels comme Tableau, Power Bi, Looker, Domo, Excel…