Post de Florent J.

Dans le monde d’aujourd’hui, il existe une quantité considérable de données. Pour cette raison, la science des données est devenue très populaire dans l’industrie technologique. C’est comme le parent cool et compétent avec qui tout le monde veut passer du temps lors d’événements familiaux. Mais comment la science des données opère-t-elle sa magie en analysant les chiffres et en trouvant des modèles ? Explorons les outils qu'il utilise. Après tout, qui a dit que la science des données ne pouvait pas être amusante ? Lorsque l’on parle de science des données, les langages de programmation sont des outils essentiels dans la boîte à outils des data scientists. Voici quelques langues couramment utilisées. 𝐏𝐲𝐭𝐡𝐨𝐧 : Python, le meilleur ami du data scientist. Il est réputé pour sa simplicité et possède une liste de bibliothèques puissantes comme NumPy, Pandas et Matplotlib. R : Idéal pour l'analyse statistique et la visualisation, parfait pour ceux qui aiment plus la compagnie des graphiques et des diagrammes que les gens. SQL : si vos données se trouvent dans une base de données relationnelle, SQL les interrogera, obtiendra tous les détails et renverra le message. Julia : De haut niveau, de haute performance et probablement aussi riche en caféine. Elle est de la dynamite pour l’informatique technique. Scala : version étendue de Java ? Peut-être. Idéal avec Apache Spark pour le traitement du Big Data ? Absolument! Ensuite, les cadres de traitement et d’analyse des données. Ce sont les puissances intellectuelles de notre ville de la science des données. Apache Hadoop : C'est le sympathique géant du stockage et du traitement distribués. Sa taille peut intimider, mais il a un cœur (et une charpente) en or. Apache Spark : Le penseur rapide du groupe. Spark est comme le jeune frère intelligent de Hadoop qui aime travailler avec le traitement du Big Data et l'apprentissage automatique. Pandas : Cette bibliothèque Python est aussi indispensable à la manipulation des données que le bambou l’est à l’alimentation d’un Panda. Dask : Dask est la personne à appeler lorsque vos données dépassent celles de votre ordinateur portable et même de votre poste de travail. Passons maintenant aux bibliothèques d'apprentissage automatique, prédisez votre prochain achat en ligne ou diagnostiquez des maladies à partir des rayons X. Certains outils d’apprentissage automatique populaires sont : Scikit-learn : Cette bibliothèque fournit des outils simples et efficaces pour l'analyse prédictive des données. TensorFlow : il s'agit d'une bibliothèque puissante pour le calcul numérique et l'apprentissage automatique, rendant les ordinateurs plus intelligents couche par couche. Keras : une API de réseaux neuronaux de haut niveau, écrite en Python et capable de s'exécuter sur TensorFlow, CNTK ou Theano. PyTorch : il peut rapidement effectuer des calculs complexes et éclairer vos réseaux neuronaux. #Python #MachineLearning #R #Julia #SQL #Tensorflow #PyTorch #Theano

𝐄̂𝐭𝐫𝐞 𝐃𝐚𝐭𝐚 𝐒𝐜𝐢𝐞𝐧𝐭𝐢𝐬𝐭 𝐚𝐮 𝐗𝐗𝐈ᵉ 𝐬𝐢𝐞̀𝐜𝐥𝐞, 𝐪𝐮'𝐞𝐬𝐭-𝐜𝐞 𝐪𝐮𝐞 𝐜𝐞𝐥𝐚 𝐢𝐦𝐩𝐥𝐢𝐪𝐮𝐞 ? On se perd facilement en tant que #DataScientist, du fait de la multitude des outils et compétences à maitriser. Être #DataScientist aujourd’hui ne se limite pas juste à créer un modèle de #MachineLearning performant en se basant sur les #dataset du Titanic, #Mnist, ou encore celui des fleurs d’#Iris. Il faut à la fois identifier un problème à résoudre, comprendre les besoins métiers, être en mesure de créer des #pipelines de données afin d’extraire les données et assurer leurs stockage de façon sécurisé, créer maintenant le #modèle adéquat et assurer son #déploiement. Quels sont donc les #outils à maitriser lors de la réalisation de chaque étape ? Le processus de création des #pipelines de données passe par la maitrise des outils comme #Python, #SQL, #NoSql pour les bases de données non relationnelles afin d'y stocker les données structurées et non structurées, #SparkApache pour faciliter la transformation des grands volumes de données. La maitrise des packages comme #requests et #beautifulSoup est hyper importante dans le but de scraper les sites Web. Il faut noter qu’il existe deux architectures en data engineering. L'architecture #Kappa pour extraire les données en temps réel et l’architecture #lambda qui est utilisée à la fois pour l’extraction en temps réel et l’extraction #batch des données. Le choix des outils dépend donc de l’architecture choisie. Sous la supervision de mon mentor M. Claudel FADOLO, j'essaie de maitriser le processus de création d'une #ETL solide. Je vous explique mieux dans un prochain post. La création d’un #modèle répondant à la problématique ne se repose pas uniquement sur les langages de #programmation comme #R ou encore #Python. Mais elle repose surtout sur l’analyse des données par l'utilisation des méthodes #statistiques, les mathématiques et les différents #modèles de #Machinelearning préexistants (KNeighbor, RandomForrest, SVC, etc.). L’outil (R ou Python) apporte juste un plus dans le processus de création du modèle. Afin de procéder à la mise en #production d’un modèle, il est important de laisser nos #notebook Jupyter de côté et passer sur l’#IDE VS Code. La maitrise des outils comme #Docker et des #plateformes comme Google Cloud AI Platform et Microsoft Azure Machine Learning permettra d’assurer un #déploiement du modèle sur le #cloud sans bug. ----------------------------------------------------------------------------------------- Si vous venez de me découvrir, je suis 𝐏𝐫𝐢𝐜𝐢𝐥𝐞 𝐆𝐀𝐍𝐆𝐁𝐄, étudiante en #Master #Biostatistique et #Ambassadrice 10000 CODEURS. Si vous aussi, vous aspirez aux métiers du numérique tout comme moi, inscrivez-vous via ce lien pour activer votre ascension https://lnkd.in/dvY8ueYY. Bonsoir Douglas Mbiandou Claudel FADOLO 10000 CODEURS Stéphanie Ntamack

📊 De Pandas à PySpark : Faire Évoluer Vos Flux de Travail en Data Science 🚀 🐼 Pandas : Idéal pour les petits ensembles de données ⚡ PySpark : Une centrale pour le traitement de grandes quantités de données Il y a deux ans, je discutais avec un ancien collègue devenu Head of Data dans une startup de la place. Il se plaignait de la lenteur de leur moteur de recommandation. En discutant un peu plus, j'ai compris qu'ils avaient utilisé Pandas pour le développer et que le volume de données devenait de plus en plus élevé. Je lui ai conseillé d'utiliser PySpark... En quelques semaines, avec PySpark, ils ont : ⭐ Réduit le temps de traitement de 2 heures à 1 minutes ⭐Étendu leur capacité à gérer 1 To de données sans effort ⭐Débloqué des recommandations en temps réel Le résultat ? L'engagement des utilisateurs a grimpé de 23 % ! 📈 Avantages clés de la transition : 1️⃣ Évolutivité : Gérer facilement des ensembles de données massifs 2️⃣ Vitesse : Exploiter le calcul distribué pour un traitement plus rapide 3️⃣ Flexibilité : Fonctionner sur un ordinateur portable ou un cluster sans changer de code 4️⃣ Écosystème : Accès à l'écosystème étendu de Spark 💡 Astuce pro : Commencez avec de petits ensembles de données sur PySpark localement avant de passer aux clusters. Cela facilite la transition et aide à détecter les problèmes tôt. 🔑 À retenir : Il ne s'agit pas de remplacer Pandas, mais d'ajouter PySpark à votre boîte à outils pour les moments où vous devez évoluer. Votre équipe est-elle passée à PySpark ? Partagez vos histoires ou vos questions ci-dessous ! 👇 #DataScience #BigData #PySpark #ComputingDistribué #TransitionTechnologique

#NeDeviensPasDatascientist La majeure partie des tâches en #datascience se déroule dans le code. Malheureusement beaucoup de #datascientist ne savent pas écrire du code robuste et reproductible. Voici 6 techniques de #SoftwareEngineering qui te permettront de te différencier en tant que DataScientist : 1) 𝘼𝙣𝙖𝙡𝙮𝙨𝙚 𝙙𝙚𝙨 𝙥𝙚𝙧𝙛𝙤𝙧𝙢𝙖𝙣𝙘𝙚𝙨 𝙙𝙪 𝙘𝙤𝙙𝙚 Tu ne peux pas écrire un code robuste si tu ne sais pas quelles parties de ton code posent ou peuvent potentiellement poser problème en production. Donc la première étape pour écrire un meilleur code consiste à déterminer quelles parties de celui-ci sont les plus lentes ou occupent le plus de mémoire. 2) 𝘾𝙝𝙤𝙞𝙭 𝙚𝙩 𝙐𝙩𝙞𝙡𝙞𝙨𝙖𝙩𝙞𝙤𝙣 𝙚𝙛𝙛𝙞𝙘𝙖𝙘𝙚 𝙙𝙚𝙨 𝙨𝙩𝙧𝙪𝙘𝙩𝙪𝙧𝙚𝙨 𝙙𝙚 𝙙𝙤𝙣𝙣𝙚́𝙚𝙨 La deuxième étape pour écrire un meilleur code consiste à utiliser la structure de données optimale pour chaque cas d'usage en terme de temps et de mémoire. Ce qui suppose que tu dois bien maitriser les structures de données intrinsèques au langage de programmation que tu utilises et celles appartenant aux divers Frameworks. 3) 𝙂𝙚𝙨𝙩𝙞𝙤𝙣 𝙙𝙚𝙨 𝙚𝙧𝙧𝙚𝙪𝙧𝙨/𝙚𝙭𝙘𝙚𝙥𝙩𝙞𝙤𝙣𝙨 𝙚𝙩 𝙇𝙤𝙜𝙜𝙞𝙣𝙜 En entreprise, on fait beaucoup d'automatisation pour gagner du temps et donc de l'argent. Alors, il est absolument indispensable de pouvoir gérer efficacement les potentielles erreurs et exceptions au niveau du code. Ainsi, ton code pourra résister aux entrées inattendues et tu pourras dormir en paix. Tu dois aussi effectuer le Logging (la journalisation) de ce que fait ton code. Ceci te permettra de débugger facilement en cas de problème. 4) 𝙏𝙚𝙨𝙩𝙚𝙧 𝙡𝙚 𝙘𝙤𝙙𝙚 La rédaction des tests est une compétence indispensable pour écrire du code robuste. Beaucoup de Data Scientists déploient en production des codes non testés. C'est une aberration et un crime de faire ça. Un code #machinelearning en production fait partie d'un large système où beaucoup de composants sont imbriqués. Les tests te permettront de vérifier que ton code fait exactement ce qu'il est censé faire. 5) 𝙍𝙚𝙛𝙖𝙘𝙩𝙤𝙧𝙞𝙨𝙖𝙩𝙞𝙤𝙣 𝙙𝙪 𝙘𝙤𝙙𝙚 Tout le code de ton projet tient dans un gigantesque jupyter notebook, tu es un criminel. Les notebooks ne sont pas faits pour la mise en production mais uniquement pour la phase d'expérimentation. Tu dois moduler ton code, c'est-à-dire le diviser en morceaux qui peuvent être facilement réutilisés ou modifiés à l'avenir. Cela passe par la création de scripts évolutifs et une bonne structuration du répertoire de travail. 6) 𝙇𝙖 𝙙𝙤𝙘𝙪𝙢𝙚𝙣𝙩𝙖𝙩𝙞𝙤𝙣 𝙙𝙪 𝙘𝙤𝙙𝙚 La documentation est aussi un aspect négligé par la plupart des Data Scientists. Même quand c'est fait, c'est souvent mal fait. La documentation est très importante pour soi-même et surtout pour les personnes qui travailleront à l'avenir sur le projet. Est-ce qu'il y a d'autres techniques à mentionner ? Dis-le moi en commentaires.

Profil #2 :Le roi de l’Excel. Pourquoi une macro ferait de vous un Steve Jobs ? Voici l'arme secrète des wannabe développeurs. Vous savez, ces gens qui ouvrent Excel, tapotent deux trois lignes de code VBA et se croient soudainement les experts de la feuille de calcul. Bienvenue dans l’univers suffisant des chefs de projets développeurs autoproclamés. Pourquoi se fatiguer à apprendre Python ou JavaScript quand une petite macro peut transformer votre existence? Telle est la logique brillante de ces gourous d’Excel. Une fois qu’ils ont enregistré une macro qui automatise l'insertion de la date du jour, ils n’ont plus qu’à commander leur étoile sur Hollywood Boulevard. Parce que, vous comprenez, écrire "Range("A1").Value = Date" c’est pratiquement la même chose que coder un algorithme d'une API de machine learning. Merci à l'effet Dunning-Kruger, ces pionniers de l'extrême en quête de reconnaissance ignorent l'étendue de leur ignorance (c'est possible, oui), mais feront illusion en réunion d'avant projet devant un auditoire choisi pour sa méconnaissance du domaine. Pourquoi perdre du temps à comprendre les concepts complexes comme la gestion de la mémoire ou les fonctions de traitement des entrées algorithmique ? Deux macros suffisent pour atteindre le nirvana des compétences techniques. Et puis, la modestie c’est pour les faibles. Quand vous pouvez automatiser un copier-coller, vous êtes pratiquement un cyber-samouraï. L’Art de l'enfumage 1.0 Soyons honnêtes, ces héros des macros adorent vous en mettre plein la vue. “Tu savais que tu pouvais faire ça avec Excel?”. Ha bah non bien sûr, personne n’ose avouer que tout le monde s'en fiche. Mais la magie opère : ils ont l'air tellement intelligents que vous en viendriez presque à les admirer. Après tout, qui n'a jamais rêvé de passer des heures à déboguer une macro foireuse? Au fond, ces petits génies de l'Excel nous rappellent une vérité universelle : tout est relatif. Si votre monde se limite à des colonnes et des lignes, une macro peut effectivement sembler révolutionnaire. Mais pour ceux qui jonglent avec des bases de données, des API et des frameworks, c’est juste mignon. Donc, la prochaine fois qu'un collègue se vante de sa macro, félicitez-le. Après tout, chaque roi a besoin de son trône, même si celui-ci est fait de cellules Excel avec moults remplissages colorés. Rappelez-vous juste que le véritable savoir réside dans l'humilité. Et que si un jour vous avez vraiment besoin d'un développeur, vous saurez où chercher : certainement pas parmi les chevaliers de la macro. #genieEnCarton #developpeurExcel

Je ne recommande pas Python comme compétence numéro un en data. Voici pourquoi 👇 Il est courant de voir Python désigné comme la compétence numéro un en data. Cependant, il est temps de remettre cette idée en question. 🛑 Python n'est pas la compétence la plus importante. Jamais, JAMAIS ! Cela peut sembler choquant, mais c’est la réalité. Plantons le décor : Python est une compétence technique, essentielle, capitale, mais elle n'est pas la première chose à maîtriser. Si l'on examine la feuille de route des projets data, on aborde les aspects techniques seulement après avoir bien compris le business et les données. La compétence fondamentale qui vous permettra de naviguer efficacement dans le domaine de la data, c'est la compréhension de la sémantique des données. C´est la competence qui vous permettra de comprendre la douleur de l´entreprise. c´est la compétence qui vous permettra de mieux vous exprimer et poser les bonnes questions en entreprise ou avec les clients. Un peu comme un patient en souffrance chez un medecin, on commence par comprendre l'origine de ses symptômes et la prise de paramètres avant dutiliser les gros moyens. Par sémantique, j’entends la signification des données pour une entreprise, pourquoi et comment elles ont été choisies pour répondre à des besoins spécifiques. Vous pouvez être le meilleur programmeur au monde, mais si on vous donne des données dont vous ignorez le sens ou la signification, vous n’irez nulle part. La compréhension de la sémantique des données est cruciale pour mener à bien tout projet. Entraînez-vous à comprendre les jeux de données, leur sens, leur contexte d’utilisation, où les trouver et qui interroger. Cette compétence vous facilitera la vie lors de l’exécution des projets. Avant d'intégrer une entreprise, développez votre curiosité envers les données que vous utilisez dans vos projets personnels. Posez-vous autant de questions que possible. Les data scientists partagent une qualité avec les enquêteurs : ils doivent investiguer et poser les bonnes questions, faute de quoi ils risquent de s’égarer, s'éloigner de la bonne piste. Lorsqu’on rejoint une entreprise, si l’on néglige la phase sémantique des données et qu’on l’aborde superficiellement, les projets avanceront, mais à pas de tortue. Cette lenteur sera due à un manque de compréhension profonde des données. Un employé qui a développé cette compétence saura poser les bonnes questions et sera orienté vers les bonnes personnes, même si l'employeur ne couvre pas totalement la sémantique. Cela sera particulièrement précieux lors de l’analyse exploratoire des données (EDA). Sans une bonne compréhension de la sémantique, cette étape peut se faire, mais avec des difficultés et des résultats limités. Python n’est pas la compétence numéro un. C’est aujourd’hui la compétence technique numéro un, mais dans un contexte plus large, la compréhension de la sémantique des données est primordiale.

🏭 Vous êtes data scientist? Voici les compétences dont vous aurez besoin pour mettre en production vos modèles ! 🏭 La semaine dernière, j'ai présenté les compétences en data science qui me paraissent essentielles pour réussir 80 % des projets. Mais le métier a évolué et aujourd'hui, il est aussi important de savoir mettre en production les modèles que de les entraîner. Voici, selon moi, les compétences essentielles à ajouter aux compétences initiales du data scientist pour être (quasi) autonome et répondre aux nouveaux besoins : 1️⃣ Imaginer et orchestrer le workflow : Est-il nécessaire d'implémenter une logique pour ré-entraîner le modèle ? À quelle fréquence ? Les prédictions doivent-elles être réalisées en temps réel ou peuvent-elles être précalculées ? Tout cela aide à définir votre workflow, qu'il suffit ensuite d'orchestrer avec, par exemple, Airflow. 2️⃣ Mettre en place le suivi des expérimentations : dans la majorité des cas, vous aurez à entraîner régulièrement vos modèles et potentiellement à effectuer une recherche d'hyper-paramètres. Il est nécessaire de suivre et de consigner toutes ces expérimentations dans un outil spécifique, MLflow étant l'un des plus utilisés. 3️⃣ Déployer le modèle et le servir : le minimum semble être de savoir développer une API (FastAPI, Flask...) qui expose le modèle et de savoir la dockeriser pour ensuite la déployer. Cependant, vous n'avez pas toujours besoin d'une API pour exposer le modèle, cela dépend de votre cas d'usage. J'insiste sur l'importance de connaître les modèles et leur fonctionnement. Le choix du modèle en fonction de critères métiers n'est pas suffisant ; il faut aussi choisir le modèle le plus adapté pour délivrer les performances nécessaires au cas d'usage. 4️⃣ Surveiller le drift des données et du modèle : vous devez vous assurer que les performances de votre modèle ne se dégradent pas au fil du temps et que vos données restent cohérentes. Si ce n'est pas le cas, un système d'alerte doit vous prévenir afin d'agir rapidement. Evidently est un outil permettant de réaliser ce type d'analyse. 5️⃣ Veiller à la qualité du code : il y a quelques années encore, peu d’efforts étaient consacrés à la qualité du code. Aujourd'hui, cela fait partie intégrante des compétences requises. A l'occasion, laissez tomber jupyter et travaillez uniquement sur un IDE, ça vous permettra d'utiliser un certains nombres d'outils permettant de mieux coder / coder plus efficacement. 6️⃣ Connaitre les principes fondamentaux de la CI/CD : savoir mettre en place une pipeline simple me parait essentiel (tests unitaires, linter si besoin, github actions..) La quantité de choses à connaitre ne cesse d'augmenter et ça peut donner le vertige je l'avoue ! Mais c'est ce qui fait l'intérêt du métier selon moi. Vous identifiez d'autres compétences pour industrialiser les modèles? ___ Je partage quotidiennement du contenu sur #python, la #datascience, l'#IA, et la #data en général.

𝕮𝖍𝖔𝖎𝖝 𝖉𝖚 𝕷𝖔𝖌𝖎𝖈𝖎𝖊𝖑 𝕾𝖙𝖆𝖙𝖎𝖘𝖙𝖎𝖖𝖚𝖊 𝕬𝖉𝖆𝖕𝖙é à 𝖁𝖔𝖙𝖗𝖊 É𝖙𝖚𝖉𝖊 Le choix du logiciel statistique est crucial pour mener à bien une étude. Différents logiciels offrent des fonctionnalités spécifiques adaptées à divers types d'analyses. Cette présentation vous guidera dans le processus de sélection en fonction des caractéristiques de votre étude. 𝗜｡ 𝗠𝗶𝗰𝗿𝗼𝘀𝗼𝗳𝘁 𝗘𝘅𝗰𝗲𝗹 Microsoft Excel demeure un choix courant pour des analyses statistiques de base et la gestion de données en raison de son interface conviviale et de sa familiarité. Cependant, il présente des limitations pour des analyses statistiques avancées et des études plus complexes. 𝗜𝗜｡ 𝗦𝗣𝗦𝗦 (𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗰𝗮𝗹 𝗣𝗮𝗰𝗸𝗮𝗴𝗲 𝗳𝗼𝗿 𝘁𝗵𝗲 𝗦𝗼𝗰𝗶𝗮𝗹 𝗦𝗰𝗶𝗲𝗻𝗰𝗲𝘀) SPSS, spécialisé dans les analyses statistiques avancées, est particulièrement adapté aux études en sciences sociales. Malgré son coût élevé et sa courbe d'apprentissage, il offre des fonctionnalités puissantes pour ceux qui nécessitent des analyses approfondies. 𝗜𝗜𝗜｡ 𝗥 (𝗲𝘁 𝗥𝗦𝘁𝘂𝗱𝗶𝗼) R, un langage de programmation statistique open source, est largement utilisé pour sa polyvalence. Toutefois, son utilisation peut demander une courbe d'apprentissage abrupte, surtout pour les débutants. RStudio offre une interface utilisateur conviviale pour faciliter le processus d'analyse. 𝗜𝗩｡ 𝗦𝗔𝗦 (𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗰𝗮𝗹 𝗔𝗻𝗮𝗹𝘆𝘀𝗶𝘀 𝗦𝘆𝘀𝘁𝗲𝗺) SAS est reconnu pour ses capacités dans l'analyse de données complexes, en particulier dans les domaines médical et industriel. Cependant, il présente un coût élevé et peut être moins convivial que d'autres options. 𝗩｡ 𝗣𝘆𝘁𝗵𝗼𝗻 𝗮𝘃𝗲𝗰 𝗣𝗮𝗻𝗱𝗮𝘀 𝗲𝘁 𝗡𝘂𝗺𝗣𝘆 Python, avec ses bibliothèques Pandas et NumPy, est un choix puissant et polyvalent, offrant des fonctionnalités d'analyse de données et de programmation. Son principal inconvénient réside dans sa courbe d'apprentissage pour ceux qui ne sont pas familiers avec la programmation. 𝗩𝗜｡ 𝗧𝗮𝗯𝗹𝗲𝗮𝘂 Tableau excelle dans la visualisation des données et l'intégration avec d'autres outils. Cependant, il est davantage axé sur la visualisation que sur les analyses statistiques avancées, ce qui peut limiter son utilité dans certaines études. 𝗖𝗿𝗶𝘁è𝗿𝗲𝘀 𝗱𝗲 𝗖𝗵𝗼𝗶𝘅 Lors du choix d'un logiciel statistique, plusieurs critères doivent être pris en compte, notamment le type d'analyse requis, le budget disponible et la facilité d'utilisation. Il est crucial de sélectionner un logiciel aligné sur les besoins spécifiques de votre étude. Il est recommandé de prendre le temps d'évaluer chaque option avant de prendre une décision. Un like et un partage Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 https://lnkd.in/eMRWW8Z6 #statistique #logiciel #r #excel #spss #stata #Python

𝕮𝖍𝖔𝖎𝖝 𝖉𝖚 𝕷𝖔𝖌𝖎𝖈𝖎𝖊𝖑 𝕾𝖙𝖆𝖙𝖎𝖘𝖙𝖎𝖖𝖚𝖊 𝕬𝖉𝖆𝖕𝖙é à 𝖁𝖔𝖙𝖗𝖊 É𝖙𝖚𝖉𝖊 Le choix du logiciel statistique est crucial pour mener à bien une étude. Différents logiciels offrent des fonctionnalités spécifiques adaptées à divers types d'analyses. Cette présentation vous guidera dans le processus de sélection en fonction des caractéristiques de votre étude. 𝗜｡ 𝗠𝗶𝗰𝗿𝗼𝘀𝗼𝗳𝘁 𝗘𝘅𝗰𝗲𝗹 Microsoft Excel demeure un choix courant pour des analyses statistiques de base et la gestion de données en raison de son interface conviviale et de sa familiarité. Cependant, il présente des limitations pour des analyses statistiques avancées et des études plus complexes. 𝗜𝗜｡ 𝗦𝗣𝗦𝗦 (𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗰𝗮𝗹 𝗣𝗮𝗰𝗸𝗮𝗴𝗲 𝗳𝗼𝗿 𝘁𝗵𝗲 𝗦𝗼𝗰𝗶𝗮𝗹 𝗦𝗰𝗶𝗲𝗻𝗰𝗲𝘀) SPSS, spécialisé dans les analyses statistiques avancées, est particulièrement adapté aux études en sciences sociales. Malgré son coût élevé et sa courbe d'apprentissage, il offre des fonctionnalités puissantes pour ceux qui nécessitent des analyses approfondies. 𝗜𝗜𝗜｡ 𝗥 (𝗲𝘁 𝗥𝗦𝘁𝘂𝗱𝗶𝗼) R, un langage de programmation statistique open source, est largement utilisé pour sa polyvalence. Toutefois, son utilisation peut demander une courbe d'apprentissage abrupte, surtout pour les débutants. RStudio offre une interface utilisateur conviviale pour faciliter le processus d'analyse. 𝗜𝗩｡ 𝗦𝗔𝗦 (𝗦𝘁𝗮𝘁𝗶𝘀𝘁𝗶𝗰𝗮𝗹 𝗔𝗻𝗮𝗹𝘆𝘀𝗶𝘀 𝗦𝘆𝘀𝘁𝗲𝗺) SAS est reconnu pour ses capacités dans l'analyse de données complexes, en particulier dans les domaines médical et industriel. Cependant, il présente un coût élevé et peut être moins convivial que d'autres options. 𝗩｡ 𝗣𝘆𝘁𝗵𝗼𝗻 𝗮𝘃𝗲𝗰 𝗣𝗮𝗻𝗱𝗮𝘀 𝗲𝘁 𝗡𝘂𝗺𝗣𝘆 Python, avec ses bibliothèques Pandas et NumPy, est un choix puissant et polyvalent, offrant des fonctionnalités d'analyse de données et de programmation. Son principal inconvénient réside dans sa courbe d'apprentissage pour ceux qui ne sont pas familiers avec la programmation. 𝗩𝗜｡ 𝗧𝗮𝗯𝗹𝗲𝗮𝘂 Tableau excelle dans la visualisation des données et l'intégration avec d'autres outils. Cependant, il est davantage axé sur la visualisation que sur les analyses statistiques avancées, ce qui peut limiter son utilité dans certaines études. 𝗖𝗿𝗶𝘁è𝗿𝗲𝘀 𝗱𝗲 𝗖𝗵𝗼𝗶𝘅 Lors du choix d'un logiciel statistique, plusieurs critères doivent être pris en compte, notamment le type d'analyse requis, le budget disponible et la facilité d'utilisation. Il est crucial de sélectionner un logiciel aligné sur les besoins spécifiques de votre étude. Il est recommandé de prendre le temps d'évaluer chaque option avant de prendre une décision. Un like et un partage Pour mieux apprendre l’utilisation des logiciel et modèles statistiques, nous vous invitons à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨 https://lnkd.in/eNJWwi-z #statistique #logiciel #r #excel #spss #stata #Python

𝗩𝗼𝘂𝘀 𝗰𝗵𝗲𝗿𝗰𝗵𝗲𝘇 𝘂𝗻𝗲 𝗮𝗹𝘁𝗲𝗿𝗻𝗮𝘁𝗶𝘃𝗲 à 𝗹𝗮 𝗺𝗼𝘆𝗲𝗻𝗻𝗲 ? 𝗣𝗲𝗻𝘀𝗲𝘇 à 𝗹'𝗜𝘁𝗲𝗿𝗮𝘁𝗶𝘃𝗲𝗜𝗺𝗽𝘂𝘁𝗲𝗿! Il y a quelques semaines, je me suis retrouvé face à un défi que tout data scientist connaît trop bien : des données manquantes. Le projet sur lequel je travaillais nécessitait une gestion minutieuse de ces données, et je savais que la manière dont je traiterais ces valeurs aurait un impact majeur sur la performance de mon modèle. Bien sûr, j'aurais pu opter pour l'approche classique : remplir les données manquantes avec la moyenne ou la médiane. Mais ces solutions simplistes ne prennent pas en compte les relations complexes entre les variables. C'est alors que j'ai découvert un outil que je ne connaissais pas encore : l'𝗜𝘁𝗲𝗿𝗮𝘁𝗶𝘃𝗲𝗜𝗺𝗽𝘂𝘁𝗲𝗿 de Scikit-learn. 𝗣𝗼𝘂𝗿𝗾𝘂𝗼𝗶 𝗰𝗲𝘁 𝗼𝘂𝘁𝗶𝗹 𝗲𝘀𝘁-𝗶𝗹 𝗲𝘅𝗰𝗲𝗽𝘁𝗶𝗼𝗻𝗻𝗲𝗹 ? L'𝗜𝘁𝗲𝗿𝗮𝘁𝗶𝘃𝗲𝗜𝗺𝗽𝘂𝘁𝗲𝗿 utilise les autres colonnes pour prédire les valeurs manquantes de manière intelligente. Au lieu de simplement remplir les cases vides, il applique un modèle de régression sur chaque colonne contenant des données manquantes, en se basant sur les colonnes disponibles. Et ce n'est pas tout : ce processus est répété plusieurs fois, améliorant les prédictions à chaque itération. Ce que j'ai appris : ✅ Imputation basée sur des modèles : En prenant en compte les relations entre les variables, l'IterativeImputer permet de prédire des valeurs manquantes beaucoup plus précises. 🔄 Processus itératif : Chaque itération affine l'estimation, ce qui aboutit à une solution plus robuste. 🔧 Flexibilité : Il est possible de choisir le modèle de régression (linéaire, arbres de décision, etc.) en fonction des spécificités de votre projet. Je vous montre un aperçu de son utilisation en capture d'écran. Si vous travaillez sur des données avec des relations complexes entre les variables, je vous recommande vivement d'essayer l'𝗜𝘁𝗲𝗿𝗮𝘁𝗶𝘃𝗲𝗜𝗺𝗽𝘂𝘁𝗲𝗿. C’est un peu plus lourd en termes de calcul, mais les résultats en valent vraiment la peine. Et vous, quelle est votre méthode préférée pour gérer les données manquantes ? #DataScience #MachineLearning #Python #ScikitLearn #DataImputation #IA