Please enable JavaScript.

Coggle requires JavaScript to display documents.

15-Analyse de Données - Coggle Diagram

- - - - 2.1.1.1. Données internes (bases de données de l'entreprise)
      - 2.1.1.2. Données externes (réseaux sociaux, données publiques)
    - - 2.1.2.1. Sondages et questionnaires
      - 2.1.2.2. Capteurs et IoT (Internet des Objets)
  - - - 2.2.1.1. Traitement des valeurs manquantes
      - 2.2.1.2. Correction des erreurs et des doublons
    - - 2.2.2.1. Pandas et NumPy (bibliothèques Python)
      - 2.2.2.2. OpenRefine (logiciel de nettoyage de données)
  - - - 2.3.1.1. Mesures de tendance centrale
      - 2.3.1.2. Mesures de dispersion
    - - 2.3.2.1. Matplotlib et Seaborn (bibliothèques Python)
      - 2.3.2.2. Tableau et Power BI (outils de BI)
  - - - 2.4.1.1. Modèles statistiques (régression, ANOVA)
      - 2.4.1.2. Modèles de machine learning (SVM, réseaux de neurones)
    - - 2.4.2.1. Cross-validation
      - 2.4.2.2. AIC et BIC (critères d'information)
  - - - 2.5.1.1. R² et RMSE pour régression
      - 2.5.1.2. Précision et rappel pour classification
    - - 2.5.2.1. Rapports et dashboards
      - 2.5.2.2. Présentations et visualisations interactives
- - - - 1.1.2.1. Statistiques descriptives (moyenne, médiane, mode, écart-type)
      - 1.1.2.2. Visualisation de données (graphiques à barres, histogrammes)
    - - 1.1.3.1. Rapports de performance
      - 1.1.3.2. Analyse initiale pour comprendre les données
  - - - 1.2.2.1. Analyse de corrélation et régression
      - 1.2.2.2. Analyse de facteurs et d'arbre de décision
    - - 1.2.3.1. Trouver des facteurs influençant les résultats
      - 1.2.3.2. Diagnostic de problèmes dans les processus
  - - - 1.3.2.1. Modèles de machine learning (régression linéaire, forêts aléatoires)
      - 1.3.2.2. Séries temporelles et analyse de survie
    - - 1.3.3.1. Prévision des ventes et de la demande
      - 1.3.3.2. Évaluation des risques financiers
  - - - 1.4.2.1. Optimisation et programmation linéaire
      - 1.4.2.2. Simulation et modèles de scénarios
    - - 1.4.3.1. Optimisation des chaînes d'approvisionnement
      - 1.4.3.2. Planification stratégique des ressources
- - - - 3.1.1.1. Bibliothèques (Pandas, Scikit-learn)
      - 3.1.1.2. Jupyter Notebooks
    - - 3.1.2.1. Tidyverse (dplyr, ggplot2)
      - 3.1.2.2. Shiny (pour applications web interactives)
  - - - 3.2.1.1. Écosystème (HDFS, MapReduce)
      - 3.2.1.2. Outils (Hive, Pig)
    - - 3.2.2.1. In-memory computing
      - 3.2.2.2. Librairies (MLlib, GraphX)
  - - - 3.3.1.1. Bases de données relationnelles (MySQL, PostgreSQL)
      - 3.3.1.2. Extensions (PL/pgSQL, T-SQL)
    - - 3.3.2.1. Types (document, clé-valeur, graphe)
      - 3.3.2.2. Exemples (MongoDB, Neo4j)
  - - - 3.4.1.1. Visualisations interactives
      - 3.4.1.2. Intégration de sources de données multiples
    - - 3.4.2.1. Dashboards et rapports
      - 3.4.2.2. DAX (Data Analysis Expressions)
- - - - 4.1.1.1. Incomplétude et incohérence
      - 4.1.1.2. Problèmes d'échelle et de format
    - - 4.1.2.1. Réglementations (GDPR, CCPA)
      - 4.1.2.2. Anonymisation et pseudonymisation
  - - - 4.2.1.1. Apprentissage profond (Deep Learning)
      - 4.2.1.2. Modèles pré-entraînés (BERT, GPT)
    - - 4.2.2.1. Cloud Computing (AWS, Azure)
      - 4.2.2.2. Edge Computing et traitement en temps réel
- - - - 5.1.1.1. Modèles de classification (Forêts aléatoires, XGBoost)