Apprendre la Data Analyse à Berlin

Durant les premières 60 heures en tant qu'étudiant officiel en Analyse de Données chez Ironhack, vous apprendrez les bases pour réussir à Berlin. Au cours de cette phase de préparation, vous :

1. apprendre les rudiments de la ligne de commande, Git, Python, MySQL et l'analyse statistique,

2. Se familiariser avec les bases de la programmation et des statistiques et

3. Connectez-vous avec vos pairs et les professeurs en utilisant notre chaîne Slack.

Une fois que vous avez terminé la préparation et êtes au même niveau que votre classe, vous serez prêt à plonger dans le cours!

Durant les deux premières semaines vous découvrirez le monde de l'analyse de données. Ensuite, vous intégrerez notre communauté data, en installant un environnement de développement propre à votre classe.

Les thèmes abordés comprennent:

- Introductions au classement / nettoyage de données.

- API et web scraping.

- Les niveaux intermédiaires de Git, SQL et Python.

La semaine trois fait appel à votre premier projet à titre d'analyste de données apprenti! Appliquer vos nouvelles compétences en Python en effectuant l'analyse des données avec des données réelles.

Au cours des semaines quatre et cinq, vous aurez une compréhension plus profonde dans les mathématiques qui se cachent derrière l'analyse de données.

Les thèmes abordés :

- En utilisant Python pour comprendre les statistiques déductives et les probabilités.

- Incorporer Python dans les fondements de l'informatique décisionnelle (business intelligence).

- Apprentissage des techniques de narration afin de visualiser vos données et les observations dans les présentations.

La sixième semaine marquera le début de votre deuxième projet: une analyse complète des données. Ce projet sera construit à partir des données que vous avez traitées, nettoyées et des ensembles de données réelles visualisées!

Durant les semaines sept et huit, le dernier module vous présentera les fondements de l'apprentissage automatique (ou machine learning). Nous commencerons par vous expliquer le fonctionnement des opérations pour que vous ayez une bonne compréhension des procédures, puis les leçons évolueront à partir de là.

Les thèmes abordés :

- L'apprentissage supervisé et non supervisé.

- L'essentiel des algorithmes d'apprentissage automatique populaire.

- construire, entraîner et évaluer des modèles avec la bibliothèque d'apprentissage automatique Scikit-learn.

Pour la dernière semaine de ce cours, vous ferez face durant le dernier module à votre tâche finale : la construction d'un projet d'apprentissage automatique (ou machine learning). Vous aurez besoin de traiter un ensemble de données, extraire les caractéristiques, entraîner un modèle, et utiliser celui-ci pour faire des prévisions avec de nouvelles données. Une fois votre projet terminé, vous rivaliserez avec vos camarades dans notre Hackshow.