Spécialisation Data Analyse

À l'issue de cette formation, vous serez capable de :

Machine Learning avec Python : Comprendre ce qu'est le Machine Learning, distinguer les approches supervisées (régression, classification) et non supervisées (réduction de dimension, clustering), et les mettre en pratique sur des données réelles. Concrètement, le stagiaire saura préparer un jeu de données pour l'apprentissage, entraîner et évaluer des modèles (régression linéaire, Ridge, Lasso, régression logistique), réduire la dimension d'un jeu de données grâce à l'Analyse en Composantes Principales (ACP), et segmenter une population à l'aide d'algorithmes de clustering (K-means, CAH). Il sera également en mesure de choisir le bon modèle en s'appuyant sur des stratégies de validation (train/test, validation croisée) et d'interpréter les résultats obtenus.

SQL et bases de données relationnelles : Lire et comprendre la structure d'une base de données, puis écrire des requêtes SQL claires et robustes pour répondre à des questions métier concrètes. Le stagiaire maîtrisera la sélection, le filtrage, les jointures entre tables, les agrégations par groupe (GROUP BY, HAVING), les fonctions de fenêtre (classement, cumulés, moyennes mobiles) ainsi que les CTE et sous-requêtes pour structurer des analyses complexes.

Business Intelligence avec Power BI : Collecter des données depuis différentes sources, les nettoyer et les transformer avec Power Query, construire un modèle de données cohérent (tables de faits, dimensions, relations), puis créer des mesures et indicateurs en DAX. Le stagiaire concevra des tableaux de bord interactifs, lisibles et esthétiques, et saura les publier et les partager via Power BI Service.

Projet final : Réaliser un projet complet d'analyse de données, du cadrage métier à la restitution orale : exploration en Python, validation des KPI en SQL, construction d'un dashboard Power BI orienté décision, et présentation synthétique des insights et recommandations lors d'une soutenance.

Module Machine Learning en Python (20h)
Introduction au Machine Learning : définition, cas d'usage en entreprise (scoring, segmentation, recommandation), distinction apprentissage supervisé et non supervisé. Pipeline d'un projet ML : préparation des données, entraînement, évaluation, itération. Fonctions de perte (MSE, MAE, log loss) et optimisation (descente de gradient). Compromis biais/variance, validation croisée.
Modèles supervisés : régression linéaire, Ridge, Lasso, ElasticNet ; régression logistique pour la classification binaire. Interprétation des coefficients et choix des hyperparamètres. Modèles non supervisés : réduction de dimension avec l'ACP, clustering avec K-means et CAH. Choix du nombre de clusters et interprétation des segments. Étude de cas complète.

Module SQL et bases de données (30h)
Introduction aux bases de données relationnelles : tables, colonnes, types, clés primaires et étrangères. Requêtes fondamentales : SELECT, FROM, WHERE, filtrage avec opérateurs de comparaison, logiques et de similarité (LIKE, IN, BETWEEN, NULL). Fonctions d'agrégation (COUNT, SUM, AVG, MIN, MAX) et fonctions scalaires. Regroupement avec GROUP BY, filtrage avec HAVING.
Jointures : INNER, LEFT, FULL JOIN. Fonctions de fenêtre (ROW_NUMBER, RANK, LAG, LEAD, cumulés). CTE, sous-requêtes et UNION/UNION ALL. Utilisation de DuckDB avec Python.

Module Power BI (35h)
Architecture Power BI et cadrage d'un projet BI. Connexion aux sources de données (fichiers, bases, cloud, API). Nettoyage et transformation avec Power Query. Modèle de données : tables de faits et dimensions, relations, modélisation en étoile.
Langage DAX : mesures, colonnes calculées, logique conditionnelle, fonctions de date, Time Intelligence, contexte de filtre. Conception de dashboards : choix des visualisations, KPI, navigation, accessibilité. Publication dans Power BI Service (espaces de travail, sécurité RLS, actualisation, partage).

Projet final (35h)
Analyse complète de la performance e-commerce d'un site de vente en ligne : cadrage métier, exploration en Python, validation de KPI en SQL, conception d'un dashboard Power BI orienté décision. Soutenance orale de 30 minutes avec présentation des insights et recommandations.