Recommandation
préface

1.
Cadre pour la science des données

1.1.
Pourquoi la science des données ?
1.1.1.
Qu'est-ce que la science des données ?
1.1.2.
Le parcours d'un data scientist
1.1.3.
L'importance d'apprendre la science des données « sans coder »

1.2.
Connaissances de base en science des données
1.2.1.
données
1.2.2.
variable

1.3.
Cadres pour la science des données
1.3.1.
Classification selon le contexte théorique
1.3.2.
Classification selon l'objectif de l'analyse
1.3.3.
Classification selon la variable dépendante
1.3.4.
Classification selon le nombre de variables

2.
Outils pour la science des données

2.1.
Outils pour la science des données
2.1.1.
Quels sont les outils de la science des données ?
2.1.2.
logiciel libre
2.1.3.
logiciel commercial

2.2.
Pourquoi SAS ODA ?
2.2.1. Contexte de la fourniture de services SAS ODA
2.2.2. Raisons de l'adoption de SAS ODA

2.3. Utilisation de SAS ODA
2.3.1.
Environnement système recommandé
2.3.2.
Inscrivez-vous au service

2.4. Tournée SAS Studio
2.4.1.
configuration de base
2.4.2.
Mode de travail
2.4.3.
Flux de processus

2.5. Aperçu de SAS Studio
2.5.1.
Créer un dossier
2.5.2.
Création d'une bibliothèque
2.5.3.
Tâches et utilitaires

3.
Traitement et gestion des données

3.1.
Pourquoi le traitement des données est-il important ?
3.1.1.
Outils pour garantir la fiabilité
3.1.2.
Outils pour la gestion des mégadonnées
3.1.3.
C'est un excellent outil d'analyse.
3.1.4.
Introduction aux exemples de données

3.2.
Entrée et sortie des données
3.2.1.
Téléchargement de fichiers
3.2.2.
Vérifiez les données
3.2.3.
Données d'exportation
3.2.4.
Télécharger le fichier

3.3.
Principes de base du traitement des données
3.3.1.
vaginal
3.3.2.
Résultat de la requête
3.3.3.
Sélectionner la colonne
3.3.4.
Filtre de colonne
3.3.5.
Résumé de la colonne
3.3.6.
Alignement des colonnes

3.4.
transformation de la structure des données
3.4.1.
Jointure de table
3.4.2.
Liens de tableaux
3.4.3.
transposition des données

4.
Analyse des données techniques

4.1.
Qu'est-ce que l'analyse technique des données ?
4.1.1.
Le son des données
4.1.2.
Types d'analyse de données techniques
4.1.3.
La nécessité d'une analyse des données techniques

4.2.
Analyse des données numériques
4.2.1.
Qu'est-ce que l'analyse de données numériques ?
4.2.2.
emplacement
4.2.3.
Volatilité
4.2.4.
forme

4.3.
Analyse des données catégorielles
4.3.1.
Qu'est-ce que l'analyse des données catégorielles ?
4.3.2.
Analyse de fréquence unidirectionnelle
4.3.3.
Analyse du taux de données manquantes

4.4.
Conversion de données
4.4.1.
Classement des données
4.4.2.
recodage des valeurs
4.4.3.
Enregistrement de la plage
4.4.4.
Conversion de données
4.4.5.
normalisation des données

5.
Analyse visuelle des données I

5.1.
Analyse visuelle des données
5.1.1.
Qu'est-ce que l'analyse visuelle des données ?
5.1.2.
Tâches courantes

5.2.
graphique unidimensionnel
5.2.1.
graphique à barres
5.2.2.
Graphique circulaire
5.2.3.
Histogramme
5.2.4.
diagramme en boîte

5.3.
Graphique 2D
5.3.1.
Nuage de points
5.3.2.
carte thermique
5.3.3.
graphique de série chronologique
5.3.4.
diagramme en mosaïque

5.4.
graphe multidimensionnel
5.4.1.
graphique linéaire
5.4.2.
graphique à barres et lignes
5.4.3.
graphique à bulles

6.
Analyse visuelle des données II

6.1.
Qu'est-ce qu'un graphique cartographique ?
6.1.1.
Qu'est-ce qu'un graphique cartographique ?
6.1.2.
Latitude et longitude
6.1.3.
données cartographiques
6.1.4.
Types de cartes
6.1.5.
Types de graphiques cartographiques

6.2.
Carte de localisation
6.2.1.
Créer des données de latitude et de longitude
6.2.2.
Carte à bulles
6.2.3.
Carte de dispersion
6.2.4.
Carte des séries temporelles

6.3.
Carte régionale
6.3.1.
Carte choroplèthe de la zone
6.3.2.
Carte textuelle

Conclusion

L'émergence de logiciels d'analyse sans codage, rendue possible par les progrès de l'intelligence artificielle !
Désormais, tout le monde peut devenir data scientist !

Avec les progrès de l'intelligence artificielle, la programmation devient un outil plutôt qu'une nécessité.
Par conséquent, plutôt que d'apprendre la grammaire des langages de programmation comme Python ou R tout en étudiant les données, il est désormais possible de comprendre le cadre de la science des données en utilisant des outils bien conçus basés sur la technologie de l'intelligence artificielle et d'appliquer immédiatement les techniques d'analyse de données en pratique.
Ce livre souligne que, lorsqu'on aborde la science des données, ce qui importe n'est ni le langage de programmation ni la méthodologie d'analyse individuelle.
L'élément le plus important en science des données est de bien comprendre les phénomènes et les problèmes sociaux et de choisir la méthodologie analytique appropriée pour les résoudre.
Si vous rencontrez des problèmes lors de la programmation dans un langage spécifique ou de l'application d'une méthodologie d'analyse particulière, vous pouvez les résoudre en utilisant la grande quantité d'informations disponibles sur Internet ou dans les ouvrages existants.
Cependant, même si vous maîtrisez plusieurs langues, si vous comprenez mal le problème et adoptez une méthodologie d'analyse inappropriée, cela deviendra une erreur irréversible.
En d'autres termes, établir un cadre pour la science des données est plus important que tout le reste.

Ce livre s'adresse aux débutants en science des données et à ceux qui n'ont pas de formation en statistiques ou en génie informatique.
Il vise à servir de guide aux débutants qui n'ont pas de bases théoriques en informatique pour apprendre la science des données.
Par conséquent, ce seul livre vous permettra de comprendre facilement la science des données, et chacun pourra devenir data scientist et prendre d'excellentes décisions.
À l'ère de la surcharge de données, embarquons pour un nouveau voyage dans le monde de la science des données.