Practicum de science des données de bout en bout avec Knime

Aperçu

The course starts with a top down approach to data science projects. The first step is covering data science project management techniques and we follow CRISP-DM methodology with 6 steps below:

Programme

• **Introduction aux Projets de Science des Données**
Aperçu de la Science des Données
Importance de la Gestion de Projet dans la Science des Données
Introduction à la Méthodologie CRISP-DM
• **Compréhension du Métier**
Définir les Objectifs du Projet
Évaluer la Faisabilité du Projet
Identifier les Principaux Parties Prenantes
Traduire les Objectifs de l'Entreprise en Objectifs de Science des Données
• **Compréhension des Données**
Techniques de Collecte de Données
Exploration et Profilage des Données dans Knime
Identifier les Problèmes de Qualité des Données
Visualisation Initiale des Données
• **Préparation des Données**
Nettoyage et Prétraitement des Données dans Knime
Ingénierie des Caractéristiques
Techniques de Transformation des Données
Gestion des Données Manquantes et des Valeurs Aberrantes
• **Modélisation**
Choisir les Bonnes Techniques de Modélisation
Construire et Tester des Modèles dans Knime
Réglage des Hyperparamètres
Stratégies de Validation Croisée
• **Évaluation**
Indicateurs de Performance du Modèle
Validation et Évaluation des Résultats des Modèles
Alignement avec les Objectifs Commerciaux
Interprétation des Résultats pour les Parties Prenantes
• **Déploiement**
Stratégies de Déploiement des Modèles dans Knime
Surveillance et Maintenance des Modèles
Création d'un Flux de Déploiement dans Knime
• **Application de Cas d'Étude**
Application du CRISP-DM à un Scénario Réel
Travail de Projet en Équipe dans Knime
Présentation des Résultats et Recommandations
• **Conclusion et Clôture du Cours**
Leçons Tirées de la Pratique
Conseils pour un Apprentissage Continu en Science des Données
Ressources pour Aller Plus Loin en Knime et en Science des Données

---

Enseigné par

Prof. Dr. Şadi Evren Şeker

---

Matières

Data Science