Vous souhaitez devenir data scientist mais vous ne savez pas par où commencer ? Eh bien, vous avez de la chance car j'ai un plan d'étude qui vous aidera à apprendre Python pour la science des données en seulement 10 heures par semaine !

Tout d'abord, parlons ressources. Si vous avez un budget limité, pas de problème ! Nous nous en tiendrons aux ressources vidéo gratuites pour vous aider à apprendre les ficelles du métier.

Avant de plonger, je tiens à mentionner que je ne suis affilié à aucune des ressources suggérées. Les recommandations sont basées uniquement sur mes propres expériences et celles d'autres apprenants dans le domaine.

Semaine 1 à 2 : les bases de Python

Nous allons commencer par les bases de la programmation Python. Vous ne pouvez pas construire un gratte-ciel sans une base solide, et vous ne pouvez pas devenir un data scientist sans maîtriser les bases de Python. Voici quelques excellentes ressources pour commencer :

• Python pour tout le monde par le Dr Chuck : cette série de didacticiels YouTube couvre tout ce que vous devez savoir sur Python pour les débutants. L'instructeur explique les concepts d'une manière facile à comprendre et fournit de nombreux exemples pour vous aider à démarrer. [Lien:https://www.youtube.com/watch?v=8DvywoWv6fI&list=PLlRFEj9H3Oj7Bp8-DfGpfAfDBiblRfl5p]
• Python Crash Course par Corey Schafer : cette série de didacticiels YouTube couvre les bases de la programmation Python, y compris les types de données, le flux de contrôle et les fonctions. L'instructeur est engageant et fournit des explications claires. [Lien:https://www.youtube.com/watch?v=1F_OgqRuSdI&list=PL-osiE80TeTt2d9bfVyTiXJA-UTHn6WwU]

Une fois que vous maîtrisez bien les bases, il est temps de passer à l'analyse des données avec Python. Au cours de cette étape, vous apprendrez à utiliser Python pour travailler avec des données, y compris la manipulation de données, le nettoyage de données et la visualisation de données. Parmi les excellentes ressources pour cette étape, citons :

• Didacticiel Pandas par Corey Schafer : cette série de didacticiels YouTube couvre tout ce que vous devez savoir sur l'utilisation de données en Python à l'aide de la bibliothèque Pandas. L'instructeur fournit des explications claires et de nombreux exemples pour vous aider à démarrer. [Lien:https://www.youtube.com/watch?v=vmEHCJofslg&list=PL-osiE80TeTsWlCv3ltqybIXRzMrvEvHE]
• Visualisation de données avec Matplotlib et Seaborn par Edureka : ce didacticiel YouTube couvre tout ce que vous devez savoir sur la visualisation de données en Python à l'aide de Matplotlib et Seaborn. L'instructeur fournit des explications claires et de nombreux exemples pour vous aider à démarrer. [Lien:https://www.youtube.com/watch?v=6guP1VeWz2w]

Maintenant que vous avez de bonnes bases en Python et en analyse de données, il est temps de passer à l'apprentissage automatique. L'apprentissage automatique est un élément clé de la science des données, et Python possède une multitude de bibliothèques qui facilitent la création de modèles d'apprentissage automatique. Commencez par vous renseigner sur les différents types d'apprentissage automatique, tels que l'apprentissage supervisé et non supervisé. Ensuite, apprenez à utiliser Scikit-learn pour créer des modèles d'apprentissage automatique. Parmi les excellentes ressources pour cette étape, citons :

• Apprentissage automatique avec Python par Sentdex : cette série de didacticiels YouTube couvre tout ce que vous devez savoir sur l'apprentissage automatique avec Python à l'aide de Scikit-learn. L'instructeur fournit des explications claires et de nombreux exemples pour vous aider à démarrer. [Lien:https://www.youtube.com/watch?v=OGxgnH8y2NM&list=PLQVvvaa0QuDfKTOs3Keq_kaG2P55YRn5v]
• Tutoriel Scikit-learn par Edureka : cette série de tutoriels YouTube couvre tout ce que vous devez savoir sur Scikit-learn, une bibliothèque Python populaire pour l'apprentissage automatique. L'instructeur fournit des explications claires et de nombreux exemples pour vous aider à démarrer. [Lien:https://www.youtube.com/watch?v=0Lt9w-BxKFQ&list=PL9ooVrP1hQOGtDdGMzQ6K8ew2Tc3A7GyL]

Maintenant que vous avez couvert les bases de la programmation Python, de l'analyse de données et de l'apprentissage automatique, il est temps de mettre vos compétences à l'épreuve ! À ce stade, vous travaillerez sur un projet de synthèse qui vous aidera à appliquer ce que vous avez appris à un problème du monde réel.

Voici quelques bonnes idées pour les projets Capstone :

• Analyser les données de vente pour identifier les tendances et faire des recommandations d'amélioration
• Construire un système de recommandation de films ou de musique
• Développer un modèle prédictif pour un problème spécifique, tel que la prévision de l'attrition des clients pour une entreprise

• Projets de science des données par Ken Jee : cette liste de lecture YouTube contient une variété d'idées de projets de science des données, ainsi que des didacticiels sur la façon de les créer. [Lien:https://www.youtube.com/playlist?list=PL2zq7klxX5ASFejJj80ob9ZAnBHdz5O1t]
• Kaggle : Kaggle est une plate-forme pour les compétitions de science des données, ainsi qu'une excellente ressource pour trouver des ensembles de données avec lesquels travailler. Vous pouvez trouver des ensembles de données sur une variété de sujets, de la finance aux soins de santé en passant par les médias sociaux. [Lien:https://www.kaggle.com/]