Data Science & Analyse — Matis Academy

Programme semaine par semaine

Chaque semaine combine cours théoriques, Jupyter Notebooks interactifs et exercices sur des datasets réels.

Introduction à la Data Science

Écosystème Python pour la data, Jupyter, NumPy bases

Le cycle de vie d'un projet data (CRISP-DM)

Configuration de l'environnement Jupyter / Google Colab

NumPy : arrays, opérations vectorielles, broadcasting

Indexation, slicing et reshaping d'arrays

Fonctions mathématiques et aléatoires NumPy

🛠 Exercice : analyse d'un tableau de ventes

Pandas — Manipulation de données

Series, DataFrames, import/export de données

Series et DataFrames : création et structure

Lecture de fichiers CSV, Excel, JSON

Sélection : .loc, .iloc, conditions booléennes

Tri, filtrage et manipulation de colonnes

Opérations sur les DataFrames (merge, concat, join)

🛠 Mini-projet : analyse des exportations UEMOA

Nettoyage & Préparation des données

Valeurs manquantes, doublons, outliers, encodage

Détection et traitement des valeurs manquantes

Suppression et imputation de données (mean, median, ffill)

Détection des doublons et valeurs aberrantes (outliers)

Transformation et encodage des variables catégorielles

Normalisation et standardisation des données

🛠 Mini-projet : nettoyage d'un dataset immobilier

Visualisation de données

Matplotlib, Seaborn, graphiques professionnels

Matplotlib : subplots, axes, styles, annotations

Graphiques Seaborn : heatmap, pairplot, boxplot

Histogrammes, scatter plots, graphiques temporels

Visualisation interactive avec Plotly

Principes de data storytelling

🛠 Mini-projet : dashboard de ventes en Python

Statistiques descriptives & inférentielles

Mesures, distributions, tests statistiques

Mesures de tendance centrale (moyenne, médiane, mode)

Dispersion : variance, écart-type, IQR

Distributions : normale, binomiale, Poisson

Corrélation (Pearson, Spearman) et causalité

Tests d'hypothèse : t-test, chi-², p-value

🛠 Analyse : corrélation prix / performance UEMOA

SQL pour la Data Science

Requêtes avancées, agrégation, jointures, intégration Pandas

Rappels SQL : SELECT, WHERE, ORDER BY, GROUP BY

Jointures : INNER, LEFT, RIGHT, FULL

Sous-requêtes et CTEs (WITH)

Fonctions fenêtres (window functions)

Connexion SQL↔Pandas avec SQLAlchemy

🛠 Mini-projet : reporting SQL d'une base de transactions

Analyse Exploratoire (EDA) & Projet Intermédiaire

Analyse end-to-end sur un dataset métier

Méthodologie EDA : questions, hypothèses, exploration

Profiling automatique avec ydata-profiling

Analyse des séries temporelles

Segmentation et groupby avancé avec Pandas

Rédaction d'un rapport d'analyse structuré

🏗 Projet intermédiaire : analyse marché mobile en Afrique

Projet Final & Certification

Pipeline data complet, présentation & certification

Certification

Choix et cadrage du projet final (dataset réel)

Pipeline end-to-end : import → nettoyage → analyse → viz

Publication Notebook sur GitHub

Présentation des résultats (soutenance)

Révision générale et Q&A

🏆 Remise du certificat Data Science DigitalMatis

✓ Prérequis

✓Avoir suivi Python Fondamental ou niveau équivalent
✓Maîtriser les bases Python (variables, boucles, fonctions)
✓Un ordinateur avec Python 3.8+ et Jupyter installés
✓Curiosité pour les chiffres et les données

🎯 Objectifs à l'issue de la formation

→Manipuler de grands datasets avec Pandas & NumPy
→Produire des visualisations claires et impactantes
→Conduire une analyse statistique rigoureuse
→Être prêt pour la formation Machine Learning

Prêt à maîtriser la data ?

Prochaine session disponible — places limitées à 12 apprenants.

S'inscrire — 79 000 FCFA Poser une question