Scribd
Importer
3 vues5 pages

CH Homework

Le TP3 sur l'Exploration des Données (EDA) vise à enseigner aux étudiants comment charger, explorer et analyser des datasets à l'aide de techniques d'IA. Les compétences visées incluent l'identification des opportunités de l'IA, la compréhension des implications éthiques et l'utilisation des techniques d'IA pour résoudre des problèmes. L'exploration des données est présentée comme une étape cruciale avant la modélisation pour éviter des biais et inefficacités dans les modèles.

Transféré par

slimany09
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd
3 vues5 pages

CH Homework

Le TP3 sur l'Exploration des Données (EDA) vise à enseigner aux étudiants comment charger, explorer et analyser des datasets à l'aide de techniques d'IA. Les compétences visées incluent l'identification des opportunités de l'IA, la compréhension des implications éthiques et l'utilisation des techniques d'IA pour résoudre des problèmes. L'exploration des données est présentée comme une étape cruciale avant la modélisation pour éviter des biais et inefficacités dans les modèles.

Transféré par

slimany09
Copyright
© All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats PDF, TXT ou lisez en ligne sur Scribd

TP3 : Exploration des Données (EDA)

Semestre : S2
UE : 1.2.1
Matière : Éléments d'Intelligence Articielle Appliquée
VHS : 45h00 (Cours 1h30, TP 1h30)
Crédits : 2 | Coecient : 2

Compétences visées :
 Identier les opportunités de l'IA en sciences de l'ingénieur
 Comprendre les implications éthiques de l'IA
 Utiliser les techniques d'IA pour résoudre des problèmes

Département Génie des Procédés

Année Universitaire 2025-2026

14 mars 2026
TP3 : Exploration des Données (EDA) Éléments d'IA Appliquée - S2
Table des matières

1
TP3 : Exploration des Données (EDA) Éléments d'IA Appliquée - S2
1 Travaux Pratiques : Exploration des Données (EDA)
1.1 Objectifs

À l'issue de cette séance, l'étudiant doit être capable de :


 Charger un dataset avec pandas,
 Explorer la structure des données,
 Identier les valeurs manquantes,
 Visualiser les distributions,
 Analyser les relations entre variables,
 Interpréter les résultats dans un contexte décisionnel.
1.2 Chargement et inspection des données

import pandas as pd

df = pd.read_csv('[Link]')

# Afficher les premières lignes


print([Link]())

# Dimensions du dataset
print("Shape:", [Link])

# Informations générales
print([Link]())

# Statistiques descriptives
print([Link]())

Questions :

1. Combien d'observations contient le dataset?


2. Combien de variables numériques?
3. La variable cible est-elle équilibrée?
1.3 Distribution de la variable cible

[Link](x='Survived', data=df)
[Link]("Distribution des survivants")
[Link]()

Analyse attendue :

 Classes équilibrées ou déséquilibrées?


 Impact potentiel sur le modèle?
2
TP3 : Exploration des Données (EDA) Éléments d'IA Appliquée - S2
1.4 Analyse univariée

[Link](figsize=(10,8))
plt.tight_layout()
[Link]()

Questions :

1. Quelle est la distribution de l'âge?


2. Les variables semblent-elles symétriques?
1.5 Analyse bivariée

Sexe vs Survie

[Link](x='Sex', hue='Survived', data=df)


[Link]("Survie selon le sexe")
[Link]()

Classe vs Survie

[Link](x='Pclass', hue='Survived', data=df)


[Link]("Survie selon la classe")
[Link]()

Analyse attendue :

 Le sexe inuence-t-il la survie?


 La classe sociale joue-t-elle un rôle?
1.6 Matrice de corrélation

[Link](figsize=(8,6))
[Link]([Link](numeric_only=True),
annot=True,
cmap='coolwarm')
[Link]("Correlation Matrix")
[Link]()

Questions :

1. Quelles variables sont corrélées?


2. La corrélation implique-t-elle causalité?

3
TP3 : Exploration des Données (EDA) Éléments d'IA Appliquée - S2
1.7 Conclusion pédagogique

L'exploration des données (EDA) constitue une étape essentielle du pipeline de Machine Lear-
ning. Avant toute modélisation, il est indispensable de :
 Comprendre la structure du dataset,
 Identier les valeurs manquantes,
 Analyser les distributions,
 Étudier les relations entre variables,
 Détecter d'éventuelles anomalies.
Une mauvaise compréhension des données conduit généralement à un modèle biaisé ou inecace.

Vous aimerez peut-être aussi