Comment faire de la science des données pratique - À partir d'exemples du monde réel

Aperçu

Explorez des projets de Data Science réels, leurs impacts commerciaux et leurs méthodologies. Acquérez des connaissances pour exécuter des initiatives de DS réussies et structurer des conclusions pour des applications pratiques.

Programme

• Introduction à la science des données
Aperçu de la science des données et son importance
Rôles et responsabilités clés dans les projets de science des données
• Aperçu des méthodologies de la science des données
Modèle de processus CRISP-DM
Approches de la science des données agiles
• Collecte et compréhension des données
Identification des ensembles de données pertinents
Techniques d'acquisition de données
Exploration et visualisation des données
• Nettoyage et prétraitement des données
Gestion des valeurs manquantes
Transformation et normalisation des données
Techniques d'ingénierie des caractéristiques
• Exemples de projets réels en science des données
Étude de cas 1 : Segmentation des clients dans le commerce de détail
Définition du problème et impact commercial
Méthodologie et résultats
Étude de cas 2 : Maintenance prédictive dans la fabrication
Définition du problème et impact commercial
Méthodologie et résultats
• Construction et évaluation des modèles
Choix des bons algorithmes
Entraînement, validation et test
Métriques de performance et comparaison des modèles
• Communication des résultats de la science des données
Récit et visualisation des données
Adapter la communication aux parties prenantes
Structuration de conclusions concises et exploitables
• Déploiement et mise en production
Principes de base de MLOps
Stratégies de déploiement pour les modèles
Surveillance et maintenance des modèles en production
• Considérations éthiques et meilleures pratiques
Comprendre les biais dans les données
Assurer la transparence et l'équité
Problèmes de confidentialité et de sécurité des données
• Conclusion et tendances futures de la science des données
Résumé des principaux enseignements
Technologies émergentes et méthodologies en science des données
Formation continue et développement de carrière en science des données
• Atelier pratique (optionnel)
Projet de groupe utilisant un ensemble de données fourni
Application des méthodologies apprises
Présentation des conclusions et recommandations

Sujets

Conférences