Afficher une connaissance pratique d'Excel pour l'analyse des données.

Effectuer les tâches de base d'une feuille de calcul, y compris la navigation, la saisie de données et l'utilisation de formules.

Employer des techniques de qualité des données pour importer et nettoyer les données dans Excel.

Analyser des données dans des feuilles de calcul en utilisant des fonctions de filtrage, de tri, de recherche, ainsi que des tableaux croisés dynamiques.

Créer des visualisations de base telles que des graphiques linéaires, des diagrammes à barres et des diagrammes circulaires à l'aide de feuilles de calcul Excel.

Expliquez le rôle important que jouent les graphiques dans la narration d'une histoire basée sur des données.

Construire des graphiques et des visualisations avancés, tels que des cartes en arbre, des lignes scintillantes, des histogrammes, des diagrammes de dispersion et des cartes remplies.

Créez et partagez des tableaux de bord interactifs à l'aide d'Excel et de Cognos Analytics.

Apprenez Python - le langage de programmation le plus populaire pour la science des données et le développement de logiciels.

Appliquer la logique de programmation Python Variables, structures de données, branchements, boucles, fonctions, objets et classes.

Démontrer des compétences dans l'utilisation de bibliothèques Python telles que Pandas et Numpy, et dans le développement de code à l'aide des carnets Jupyter.

Accédez aux données et scrapez-les sur le web à l'aide d'API et de bibliothèques Python telles que Beautiful Soup.

Jouez le rôle d'un Data Scientist / Data Analyst travaillant sur un projet réel.

Démontrez vos compétences en Python - le langage de prédilection pour la science et l'analyse des données.

Appliquer les principes fondamentaux de Python, les structures de données Python et travailler avec des données en Python.

Construire un tableau de bord en utilisant Python et des bibliothèques comme Pandas, Beautiful Soup et Plotly en utilisant un notebook Jupyter.

Analyser les données d'une base de données en utilisant SQL et Python.

Créer une base de données relationnelle et travailler avec plusieurs tables à l'aide de commandes DDL.

Construire des requêtes SQL de niveau basique à intermédiaire en utilisant des commandes DML.

Composez des requêtes plus puissantes avec des techniques SQL avancées telles que les vues, les transactions, les procédures stockées et les jointures.

Construire des programmes Python pour nettoyer et préparer les données pour l'analyse en traitant les valeurs manquantes, les incohérences de formatage, la normalisation et le binning

Analyser des ensembles de données du monde réel par le biais de l'analyse exploratoire des données (AED) à l'aide de bibliothèques telles que Pandas, NumPy et SciPy pour découvrir des modèles et des idées

Appliquer des techniques d'exploitation des données en utilisant des dataframes pour organiser, résumer et interpréter les distributions de données, l'analyse de corrélation et les pipelines de données

Données en cours d'utilisation et évaluation de modèles de régression à l'aide de Scikit-learn, et utilisation de ces modèles pour générer des prédictions et soutenir la prise de décision basée sur les données

Mettre en œuvre des techniques de visualisation de données et des tracés à l'aide de bibliothèques Python, telles que Matplotlib, Seaborn et Folium, afin de raconter une histoire stimulante

Créer différents types de graphiques et de diagrammes, tels que des diagrammes linéaires, des diagrammes de surface, des histogrammes, des diagrammes à barres, des diagrammes circulaires, des diagrammes en boîte, des diagrammes de dispersion et des diagrammes à bulles

Créez des visualisations avancées telles que des graphiques en gaufre, des nuages de mots, des diagrammes de régression, des cartes avec marqueurs et des cartes choroplèthes

Générez des tableaux de bord interactifs contenant des diagrammes de dispersion, des diagrammes linéaires, des diagrammes à barres, des diagrammes à bulles, des diagrammes circulaires et des diagrammes en étoile à l'aide de la structure Dash et de la bibliothèque Plotly

Appliquer des techniques de collecte et de traitement de données provenant de sources multiples.

Analyser les données afin d'identifier des modèles, des tendances et des idées grâce à des techniques exploratoires.

Créer des visualisations des données en cours d'utilisation Python pour communiquer efficacement les résultats.

Construire des tableaux de bord interactifs avec des outils d'informatique décisionnelle (BI) pour présenter et explorer les données de manière dynamique.

Décrivez comment vous pouvez utiliser les outils et techniques d'IA générative dans le contexte de l'analyse des données dans tous les secteurs d'activité

Mettre en œuvre divers processus d'analyse des données tels que la préparation des données, l'analyse, la visualisation et le storytelling à l'aide d'outils d'IA générative

Évaluer des études de cas du monde réel montrant l'application réussie de l'IA générative dans la dérivation d'insights significatifs

Analyser les considérations éthiques et les défis associés à l'utilisation de l'IA générative dans l'analyse de données

Décrivez le rôle d'un analyste de données et certaines options de carrière ainsi que les perspectives d'avenir dans ce domaine.

Expliquer comment jeter les bases d'une recherche d'emploi, y compris la recherche d'offres d'emploi, la rédaction d'un curriculum vitae et la création d'un portfolio.

Résumez ce à quoi un candidat peut s'attendre au cours d'un cycle d'entretien d'embauche typique, les différents types d'entretiens et la manière de se préparer aux entretiens.

Expliquez comment mener un entretien efficace, y compris les techniques pour répondre aux questions et comment faire une présentation personnelle professionnelle.