Data-Analyst | Avancé

Validation de la formation

• Attestation de fin de formation

Programme

Module 1: Comprendre l'Importance du Prétraitement des Données
Identifier les enjeux liés à la qualité des données en IA.
Acquérir les compétences nécessaires pour effectuer un prétraitement efficace.

Module 2: Appliquer l'Analyse en Composantes Principales (ACP)
Maîtriser les étapes de l'application de l'ACP.
Interpréter les résultats de l'ACP pour la prise de décisions informées.

Module 3: Mettre en Œuvre le Clustering avec K-Means
Comprendre le processus et les objectifs du clustering.
Mettre en œuvre l'algorithme K-Means pour regrouper des données de manière efficace.

Module 4: Appliquer les Principes de Statistiques Inférentielles
Utiliser les statistiques inférentielles pour tirer des conclusions sur des populations.
Maîtriser l'application de tests statistiques pour la validation de résultats.

Module 5: Utiliser la Régression Linéaire Simple
Appliquer la régression linéaire simple pour modéliser des relations linéaires.
Interpréter les résultats et évaluer la validité des modèles.

Module 6: Déployer la Régression Linéaire Multiple
Comprendre les applications avancées de la régression linéaire.
Mettre en œuvre la régression linéaire multiple pour des modélisations complexes.

Module 7: Explorer les Série Temporelles en IA
Comprendre les caractéristiques et les challenges des séries temporelles.
Acquérir les compétences pour traiter des données temporelles.

Module 8: Corriger les Variations Saisonnières dans une Série Temporelle
Identifier les variations saisonnières dans les séries temporelles.
Appliquer des techniques pour corriger ces variations et améliorer la précision des modèles.

Module 9: Appliquer le Lissage Exponentiel en Série Temporelle
Comprendre les principes du lissage exponentiel.
Appliquer le lissage exponentiel pour réduire le bruit dans les séries temporelles.

Module 10: Mettre en Œuvre des Techniques de Prévision en Série Temporelle
Acquérir les compétences pour prévoir des tendances dans les séries temporelles.
Appliquer des méthodes avancées de prévision pour anticiper les évolutions futures.

Suite de parcours possible

Sans objet