0% ont trouvé ce document utile (0 vote)

5 vues69 pages

Introduction à la Data Science avec Python

Transféré par

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

0% ont trouvé ce document utile (0 vote)

5 vues69 pages

Introduction à la Data Science avec Python

Transféré par

dinesh.balasoupramaniane

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

Introduction à la

Data Science
avec python
Module 2
La couverture charte.
Visuels avec point de focus
entre 5% et 20%
Best pratices de l’image
Accompagnée d’un bandeau
vertical à 10%
Avril 2018

[Link]

Supervisé Non Supervisé

 Si on veut répondre à la question oui/non : Ceci est une classification (supervisé)

 Si on veut grouper des observations dans des groupes similaires : Ceci est du clustering (non
supervisé)
 Si on veut prédire une valeur numérique : Ceci est une régression (supervsié)
 Si on veut recommander quelque chose à une personne (livre, film, produit) en se basant sur des
données d’évaluation d’autres clients : Ceci est un système de recommandation
 Il existe d’autres problématiques de machine learning
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 2
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Rappel module 1 (2/2)

Compréhension
Compréhension Préparation des
des besoins du Modélisation Evaluation Déploiement
des données données
business

Identifier les Collecter et Sélectionner et Manipulation des Evaluer le Appliquer les

objectifs du analyser les nettoyer les données modèle et conclusions au
projet données données dresser des business
conclusions

Peut prendre une grande partie du temps

de travail
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 3
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 4
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
[Link] des données 6

Sommaire [Link] des données 21

[Link] des données 27

[Link] des features 38

[Link]élisation prédictive 42

Annexes 66

Entête

Séparateur

Data

 Structure comme un dictionnaire

{‘Key’ : value}
 On peut généralement la trouver
comme output d’API (slide suivant)
 La structure emboitée est permise

Tag d’ouverture XML Tag de fermeture HTML

 Description, structure et échange de  Affiche la données sur un site web

données  Nombre de tag limité (paragraphe,
 Nous pouvons définir notre propre tag image, tableau,..)

API est un acronyme pour Applications Programming Interface.

Une API est une interface de programmation qui permet de se « brancher » sur une application pour
échanger des données.

Généralement, nous pouvons accéder à la donnée sur un serveur (exp: Twitter) grâce à une API.
Le résultat est généralement retourné en format json.

 Vous pouvez télécharger les tweets par utilisateur ,sujet, temps.. En format json
 Vous pouvez analyser le contenu d’un tweet
 Généralement, nous avons besoin d’un algorithme de NLP (Natural Language Processing) pour
extraire l’information
 D’autres informations peuvent être exploitées

 Ils donnent des informations comme les positions GPS des stations, les itinéraires, les retards et
modifications ..

Le web scraping est une technique d’extraction du contenu de sites Web, via un script ou un
programme, dans le but de le transformer pour permettre son utilisation dans un autre contexte.
L’extraction et suivi d’une transformation de la données non structurée du site (sous le format HTML) en
une donnée structurée.

Le Web scraping peut être contraire aux termes d’utilisation de quelques sites.
La réglementation peut varier d’un pays à un autre.
Il faut utiliser cette technique avec précaution.
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 15
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Enrichir nos données : extraire les données du web
Exemple d’utilisation : Weather underground

[Link]

 Vous pouvez normalement extraire les données de n’importe quel site web.
 Les résultats sont généralement sous le format XML ou en HTML
 Exemple de données:
[Link]
html?req_city=New%20York&req_state=NY

ville état date

Les données que nous obtenons :

Les données après transformation :

ID Age Is Subscriber? Precipitation Start Time Station Name Weather

0345534 18 True 0.5 14/12/2017 10:03:29 Broadway Rainy
05343345 23 False 0 06/08/2017 11:05:40 E40 Cloudy
04583543 37 False 1.5 09/08/2017 13:10:45 W St 3 Sunny

Chaque colonne peut contenir des variable de différents types. Les plus utilisés sont :
 Numériques : variables numériques (entier, décimal,..)
 Catégorielles : des chaines de caractère
 Date/temps : timestamp (date et temps), Unix (nombre de secondes depuis 01 Janvier 1970
UTC
 Booléen : True/False

ID Age Is Subscriber? Precipitation Start Time Station Name Weather

0345534 18 True 0.5 14/12/2017 10:03:29 Broadway Rainy
05343345 23 False 0 06/08/2017 11:05:40 E40 Cloudy
04583543 37 False 1.5 09/08/2017 13:10:45 W St 3 Sunny

Sélection de quelques champs (colonne)

Data[[‘Precipitation ’,’Start Time’]]
Sélection par valeur de variable (ligne)
DataNew = Data[Data[‘Weather ’]==‘Rainy’]

Jointure sur les lignes

VALEURS MANQUANTES

[Link](method = ‘mean’)

Remplacement avec la moyenne

OUTLIER

VALEURS MANQUANTES La médiane est moins influencée par

les valeurs aberrantes que la moyenne

La valeur manquante peut

Être trouvée dans la structure
temporelle

 NaN (Not a Number) est le résultat d’un valeur manquante ou d’autres problèmes

 1ère approche: Enlever la ligne manquantes, mais vous allez perdre d’autres informations sur la ligne

 2ème approche: Remplacer par la moyenne, mais il faut faire attention aux valeurs aberrantes

 3ème approche: Remplacer par la médiane, mais attention aux séries temporelles

 4ème approche: backward / forward, mais attention à la structure des données

 5ème approche: Une valeur manquante est aussi une information. Vous pouvez rajouter une nouvelle
colonnes (indicatrice) qui indique s’il manque une information ou pas

La part de marché est Il y a clairement un trend

pratiquement constante qui dépend de l'Age
avec l'Age

Dans cet exemple, la même donnée est représentée avec deux graphiques différents et le résultat est
complétement différent.
Le choix du graphique dépend du message qu’on veut faire apparaitre.

Outliers

 Pas plus de trois choses à faire apparaitre sur le graphique

 Adaptez la taille de la police pour qu’elle soit visible

 Ne pas hésiter à rajouter un 3ème axe pour faire paraitre votre message

 Utiliser la bonne palette de couleurs

 Palette qualitative: si les données n’ont pas d’ordre
 Palette séquentielle: si les données vont du plus bas au plus haut
 Palette divergente: si la donnée contient une différence qualitative (exp:valeurs positives vs
négative)

Plus de détails ici:

[Link]
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 34
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Quelques librairies Python Matplotlib

Seaborn
Basemap

Leaflet

Nœud de
degré 3

Boucle de
longueur 3

 Est-ce que les variables sont continues, discrètes?

 Comment sont distribués les variables?
 Est-ce que la distribution dépend de l’échantillon considéré?
 Est-ce que la variable contient des valeurs manquantes?
 Est-ce qu’il y a des doublons?
 D’où vient la variable?
 Est-ce que la donnée est collectée en temps réel?
 A quelle date d’extraction correspond la donnée?

 RFM (Recency , Frequency,Monetary)

- Recency: A quelle date le client a effectué sont dernier achat
- Frequency: Combien de produits le client a acheté
- Monetaty: Le client a généré combien de revenues

 Transformer la variable
- Logarithme :Utilisé pour changer la forme de la distribution. Aide à réduire le coefficient de
symétrie
- Carré/racine cubique : Peut être appliqué aux valeurs nulles et négatives contrairement à une
transformation logarithmique …

 Transformer les variables catégorielles en variables numériques

Encoder les occurrences ("A", "B", "C", "A") en (0, 1, 2, 0)

 Transformer les variables catégorielles en indicatrices

Une variable avec 3 occurrences deviendra 3 colonnes avec des 0/1

 L’algorithme va mieux fonctionner si les variables sont centrés autour de 0

Centrer et réduire les variables

 Dans le cas d’une série temporelle, essayer de capter l’emprunte de la série avec des statistiques:
Quantiles, Kurtosis, Skewness,

 Dans le cas d’une variable textuelle, extraire des caractéristiques identifiable

 Exp1 : Le début du texte commence avec le titre Mr/Mme/Chevalier ..
 Exp2: Evaluer l’importance d’un terme contenu dans un document, relativement à une collection
ou un corpus

 Nous divisons généralement notre jeux de données en 80%(entrainement) et 20%(validation)

 La division peut être faite selon d’autres méthodes:

 K-fold : Diviser tout le dataset aléatoirement en K groupes. A chaque fois nous entrainons le
modèle sur K-1 groupes puis testons pour le 𝐾𝐾 𝑖𝑖𝑖𝑖𝑖𝑖𝑖 qui reste. Nous mesurons après la
performance moyenne

 Stratified K-fold :La méme méthode que K-fold mais les groupes contiennent les mêmes
proportions de chaque label

 Un grand biais (le modèle n’est pas adapté)

Exemple : Une régression linéaire pour ajuster une parabole

 Une grande variance (sensible au changement de données) : Le modèle est très spécifique à la
donnée utilisée et modélise le bruit. Nous ne pouvons donc pas l’utiliser sur un autre jeux de
donnée

Overfit : Le modèle est trop complexe. Il

modélise le bruit des données
d’apprentissage et ne peut pas être
généralisé sur un autre jeux de donnée

 Un bon modèle est un compromis

entre le biais et la variance.
 Il doit être capable d’expliquer la
donnée d’apprentissage et d’être
appliqué sur un nouvelle base de
donnée.

Nombre
d’heures des Nombre d’heures
étudiants qui des étudiants qui ont
ont échoué réussi

1
P(Y ) =
1 + e −(b0 +b1 X 1 +ε1 )

Seuil = 0.5

Faux négatifs

Vrais positifs

Vrais négatifs
Faux positifs

S(t) <0.5 S(t) >0.5

Prédiction : échouer Prédiction : réussite

Pas de faux négatifs Pas de faux positifs

S(t) <0.15 S(t) >0.15 S(t) <0.85 S(t) >0.85

Prédiction Prédiction Prédiction Prédiction
: échouer : réussite : échouer : réussite
© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 50
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Arbre de décision (1/2)
Cette méthode est utilisée pour la classification et la régression. Le but est de créer un modèle qui
prédit la valeur d’une variable cible en apprenant un ensemble de règles de décisions simples inférées
des données.
Les différentes décisions possibles sont situées aux extrémités des branches (le feuilles), et sont
atteintes en fonction des décisions prises à chaque étape.

A chaque nœud, un sous ensemble de variables est sélectionné aléatoirement et le couple

(variable,seuil) qui maximise la pureté de la branche est choisie

© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 51
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Arbre de décision (2/2)
Un arbre d’autant meilleur que ses feuilles sont de classes homogènes. On souhaite alors définir une
mesure de l’hétérogénéité d’une feuille qui jouera le même rôle que la variance dans le cas de la
régression. Soient p1, …, pC les fréquences relatives des classes 1, …, C dans Tf, et c* la classe la plus
fréquent
Voici trois mesures fréquemment rencontrées dans la littérature:
Taux d’erreur : Taux d’erreurs de classification sur l’ensemble d’entrainement
Critère de Gini : Taux d’erreur sur l’ensemble d’entrainement d’un algorithme randomisé qui
retournerait la classe c avec la proba Pc (au lieu de toujours retourner la classe c*)
Entropie: Un estimateur de l’entropie de la classe d’une instance de Tf tirée uniformément au
hasard

Le modèle est :

 Facile à interpréter
 Facile à valider statistiquement
 Capable de gérer les variables numériques et catégorielles
 Capable de gérer le problème de sorties multiples

© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 52
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Random forest (1/2)
L’idée de ce modèle est de combiner l’utilisation de plusieurs arbres de décisions.
 Plusieurs échantillons sont construits avec la donnée de base (avec remplacement)
 Sur chaque échantillon, un arbre de décision est entrainé
 La décision finale peut être la moyenne de chaque arbre ou la valeur la plus prédit
 On évite d’avoir un modèle très spécifique à la donnée d’entrainement
 Les arbre avec un nombre large de nœuds sont pénalisées

Une présentation rapide de la proposition peut s'exprimer comme suit :

1. Créer B nouveaux ensembles d'apprentissage par un double processus d'échantillonnage :

1. sur les observations, en utilisant un tirage avec remise d'un nombre N d'observations identique
à celui des données d'origine (technique connue sous le nom de bootstrap),
2. et sur les p prédicteurs, en n'en retenant qu'un échantillon de cardinal 𝑚𝑚 < 𝑝𝑝 (la limite n'est
qu'indicative).
2. Sur chaque échantillon, on entraîne un arbre de décision selon une des techniques connues, en
limitant sa croissance par validation croisée.
3. On stocke les B prédictions de la variable d'intérêt pour chaque observation d'origine.
4. La prédiction de la forêt aléatoire est alors un simple vote majoritaire (Ensemble learning).

Le principal revers de cette méthode est que l'on perd l'aspect visuel des arbres de décision uniques

 Ce modèle est robuste contre le sur-apprentissage et

les valeurs aberrantes

 Le « vecteur support » est caractérisé par les points de

frontière.

 Quand le modèle est entrainé, nous avons juste besoin

de stocker le vecteur support

 Grace à l’astuce du noyau(remplacer un espace de

grande dimension par une fonction noyau),un
classifieur linéaire peut facilement être transformé en
un classifieur non linéaire

Etapes :

Initialisation : Les centres K sont choisies aléatoirement

Etape 1: Affecter chaque point au centre le plus proche
Etape 2: Calculer la nouvelle position de chaque centre comme le centre de gravité du groupe.
Calculer la distance entre l’ancien et le nouveau centre

Itération : Répéter tant que la distance calculée à l’étape 2 soit est supérieur au seuil

© 2018 KPMG S.A., société anonyme d'expertise comptable et de commissariat aux comptes, membre français du réseau KPMG constitué de cabinets indépendants adhérents de KPMG International 57
Cooperative, une entité de droit suisse. Tous droits réservés. Le nom KPMG et le logo sont des marques déposées ou des marques de KPMG International.
Clustering / apprentissage non supervisé
DBSCAN
Algorithme basé sur la densité dans la mesure qui s’appuis sur la densité estimée des clusters pour
effectuer le partitionnement.
 2 paramètres : ε et MinPts
 Le voisinage de chaque points jusqu’au rayon ε est analysé
 Les paramètres d'entrées sont donc une estimation de la densité de points des clusters
 Chaque point trouvé dans le voisinage appartient au même cluster
 Si le nombre de points est supérieur à MinPts, on retient le cluster. Sinon ,les points sont
considérés comme abérrants

Exemple:

- MinPts= 2 , ε = rayon du cercle

- Les points rouges, B et C appartiennent au même cluster
- N est tout seul dans son cluster, il est considéré comme
abérrant

Des métriques peuvent être construites en utilisant les champs de la matrice de confusion.

 Précision = TP/(TP+FP)
 Spécificité = TN/(TN+FP)
 Taux de vrais positifs = TP/(TP+FN)
 Taux de faux positifs = 1- Taux de vrais positifs

Exemple:
Prediction
+ -
 Précision = 87/(87+89) + 87 42
 Spécificité = 204/(204+89) Actuel
- 89 204

 Si on a un seuil élevé, le seuil du modèle est

priorisé. On demande à l’algorithme d’éviter de
classifier comme positifs les éléments qui sont
négatifs.

 Si on a un faible seuil, on est plus intéressé à ne

pas classer comme négatifs les éléments qui son
positifs.

Elle mesure la similarité d’un objet par rapport à son cluster et par rapport aux autres clusters. Elle est
entre -1 et 1 tel que plus la elle élevée plus la configuration du clustering est meilleure.
La silhouette peut être calculée avec n’importe quelle métrique tel que la distance Euclidienne..

𝑏𝑏 − 𝑎𝑎
𝑠𝑠 =
max 𝑎𝑎, 𝑏𝑏
a : La moyenne de distance intra-cluster
b: La moyenne de la distance entre un échantillon et son plus proche cluster

Mean Absolute Percentage Error (MAPE):

Log Loss:
Utilisée dans le cas d’une prédiction multinomiale. Elle quantifie la précision d’Un classifieur en pénalisant
les mauvaises [Link] le cas de deux labels, elle est exprimée comme suit

LL = -log P(yt|yp) = -(yt log(yp) + (1 - yt) log(1 - yp))

 Blog Actuariat et data science:

[Link]
 Guide complet pour le package Pandas:
[Link]
 Comparaison avec R:
[Link]
 Gestion des valeurs manquantes
[Link]
 Visualisation des données avec seaborn
[Link]
 Les dix règles pour avoir un bon graphique
[Link]
 Guide pour l’exploration des données
[Link]
 D’autres méthodes d’ échantillonnage
[Link]
 Mesures de performances
[Link]

Une des raisons pour lesquelles le naufrage s'est terminé dans un tel le désastre était qu'il n'y avait
pas assez de canots de sauvetage pour les passagers et membres d'équipage. Bien que la chance
était impliquée dans la survie au naufrage, certains groupes de personnes étaient plus susceptibles
de survivre que d'autres, comme les femmes, les enfants, et la classe supérieure.
Dans ce défi, nous vous demandons d'appliquer les outils de l'apprentissage automatique pour
prédire quels sont les passagers qui ont survécu à la tragédie

Lien vers le challenge:

[Link]

Vous aimerez peut-être aussi

KPMG - Power Apps Tutorial - Data & Power Apps
100% (1)
KPMG - Power Apps Tutorial - Data & Power Apps
41 pages
Traitement et Diffusion des Résultats
Pas encore d'évaluation
Traitement et Diffusion des Résultats
3 pages
KPMG et l'implémentation de BOARD
Pas encore d'évaluation
KPMG et l'implémentation de BOARD
4 pages
Présentation KPMG - Luc Oesch - 27.03.2015
100% (1)
Présentation KPMG - Luc Oesch - 27.03.2015
22 pages
Tableau de Bord : Outil de Pilotage Essentiel
Pas encore d'évaluation
Tableau de Bord : Outil de Pilotage Essentiel
54 pages
Tableau de Bord et Balanced Scorecard
100% (3)
Tableau de Bord et Balanced Scorecard
64 pages
Processus en Science des Données
Pas encore d'évaluation
Processus en Science des Données
16 pages
Tableau de bord de contrôle des coûts
Pas encore d'évaluation
Tableau de bord de contrôle des coûts
2 pages
Introduction au Data Mining 2021/2022
Pas encore d'évaluation
Introduction au Data Mining 2021/2022
47 pages
Rapport d'incidents ITIL pour A.S.T.R.I.D
Pas encore d'évaluation
Rapport d'incidents ITIL pour A.S.T.R.I.D
59 pages
Résumé Dtata Mining
Pas encore d'évaluation
Résumé Dtata Mining
14 pages
KPI pour Tableau de Bord Équilibré IT
Pas encore d'évaluation
KPI pour Tableau de Bord Équilibré IT
1 page
Comment Concevoir Un Tableau de Bord Efficace
Pas encore d'évaluation
Comment Concevoir Un Tableau de Bord Efficace
8 pages
10 étapes pour créer un tableau de bord
Pas encore d'évaluation
10 étapes pour créer un tableau de bord
3 pages
Culture Data
Pas encore d'évaluation
Culture Data
27 pages
Culture Data : Collecte et Visualisation
Pas encore d'évaluation
Culture Data : Collecte et Visualisation
27 pages
Tableaux de bord en contrôle de gestion
Pas encore d'évaluation
Tableaux de bord en contrôle de gestion
8 pages
Élaboration et types de tableaux de bord
Pas encore d'évaluation
Élaboration et types de tableaux de bord
10 pages
Tableau de bord de gestion d'entreprise
Pas encore d'évaluation
Tableau de bord de gestion d'entreprise
15 pages
Systématiser son entreprise en 5 étapes
Pas encore d'évaluation
Systématiser son entreprise en 5 étapes
2 pages
Analyse des Données des Médias Sociaux
Pas encore d'évaluation
Analyse des Données des Médias Sociaux
43 pages
Élaboration d'un tableau de bord financier
Pas encore d'évaluation
Élaboration d'un tableau de bord financier
2 pages
Explication Cours 1 A 3
Pas encore d'évaluation
Explication Cours 1 A 3
20 pages
Tableau de Bord pour le Pilotage d'Entreprise
100% (1)
Tableau de Bord pour le Pilotage d'Entreprise
33 pages
Support de formation sur la performance industrielle
Pas encore d'évaluation
Support de formation sur la performance industrielle
57 pages
Méthode MERISE pour Systèmes d'Information
Pas encore d'évaluation
Méthode MERISE pour Systèmes d'Information
18 pages
Partie 1 - La Vision Stratégique Penser "Plateforme" Et Non "Tableau"
Pas encore d'évaluation
Partie 1 - La Vision Stratégique Penser "Plateforme" Et Non "Tableau"
3 pages
KPI et Automatisation en Assurance
Pas encore d'évaluation
KPI et Automatisation en Assurance
3 pages
Guide pour un tableau de bord efficace
Pas encore d'évaluation
Guide pour un tableau de bord efficace
6 pages
Les Données Structurées, Leur Traitement
Pas encore d'évaluation
Les Données Structurées, Leur Traitement
2 pages
Fonctions avancées d'Excel pour gestionnaires
Pas encore d'évaluation
Fonctions avancées d'Excel pour gestionnaires
3 pages
QSE130 - Outils de Management QSE - MARP Et SMI V1
Pas encore d'évaluation
QSE130 - Outils de Management QSE - MARP Et SMI V1
77 pages
Ebook - Reporting Budgetaire
Pas encore d'évaluation
Ebook - Reporting Budgetaire
66 pages
Structurer un tableau de bord efficace
Pas encore d'évaluation
Structurer un tableau de bord efficace
4 pages
Analyse matricielle pour le contrôle comptable
Pas encore d'évaluation
Analyse matricielle pour le contrôle comptable
29 pages
Sage Compta 100 I7
Pas encore d'évaluation
Sage Compta 100 I7
36 pages
KPIs Essentiels pour Équipes Financières
Pas encore d'évaluation
KPIs Essentiels pour Équipes Financières
32 pages
Guide des processus de gestion de projet
Pas encore d'évaluation
Guide des processus de gestion de projet
5 pages
Outil d'Audit de Maturité CMMI v1.0
Pas encore d'évaluation
Outil d'Audit de Maturité CMMI v1.0
37 pages
Tableaux de Bord : Outils de Pilotage
Pas encore d'évaluation
Tableaux de Bord : Outils de Pilotage
113 pages
Tableau de bord en gestion de projet
100% (2)
Tableau de bord en gestion de projet
6 pages
Méthodologie pour tableaux de bord
Pas encore d'évaluation
Méthodologie pour tableaux de bord
14 pages
Reporting Décisionnel et Outils Associés
Pas encore d'évaluation
Reporting Décisionnel et Outils Associés
22 pages
Introduction au Data Mining et IA
Pas encore d'évaluation
Introduction au Data Mining et IA
185 pages
Options du logiciel Magiq Compta
Pas encore d'évaluation
Options du logiciel Magiq Compta
234 pages
5 Niveaux de Maturité Data
Pas encore d'évaluation
5 Niveaux de Maturité Data
12 pages
Élaboration efficace d'un tableau de bord
Pas encore d'évaluation
Élaboration efficace d'un tableau de bord
22 pages
Exemple de Tableau de Bord de Gestion Et Reporting, Modèles
Pas encore d'évaluation
Exemple de Tableau de Bord de Gestion Et Reporting, Modèles
6 pages
Traitement des données et CRISP-DM
Pas encore d'évaluation
Traitement des données et CRISP-DM
14 pages
Construire un tableau de bord efficace
Pas encore d'évaluation
Construire un tableau de bord efficace
19 pages
Avantages des PGI en 2025
Pas encore d'évaluation
Avantages des PGI en 2025
20 pages
Si BDD
Pas encore d'évaluation
Si BDD
161 pages
Ingénierie des Coûts de Construction
Pas encore d'évaluation
Ingénierie des Coûts de Construction
9 pages
Visualisation de données avec Python
Pas encore d'évaluation
Visualisation de données avec Python
61 pages
Méthodologies de Développement en Data Science
Pas encore d'évaluation
Méthodologies de Développement en Data Science
31 pages
Introduction à la Fouille de Données
Pas encore d'évaluation
Introduction à la Fouille de Données
17 pages
Créer un tableau de bord projet efficace
Pas encore d'évaluation
Créer un tableau de bord projet efficace
7 pages
Exercices Corrigés sur le Mouvement Brownien
100% (1)
Exercices Corrigés sur le Mouvement Brownien
12 pages
Alternance Actuariat chez Generali Nantes
Pas encore d'évaluation
Alternance Actuariat chez Generali Nantes
1 page
Fiche Pédagogique : Maîtrise de la Langue
Pas encore d'évaluation
Fiche Pédagogique : Maîtrise de la Langue
2 pages
Modèles de Risque : Loi Gaussienne Multivariée
Pas encore d'évaluation
Modèles de Risque : Loi Gaussienne Multivariée
51 pages
Tournoi d'échecs FIDE à Bordeaux 2024
Pas encore d'évaluation
Tournoi d'échecs FIDE à Bordeaux 2024
1 page
Stage Actuaire Solvabilité II chez Generali
Pas encore d'évaluation
Stage Actuaire Solvabilité II chez Generali
1 page
Techniques de dessin des visages
100% (2)
Techniques de dessin des visages
142 pages
Cours de Trigonométrie Tronc Commun
100% (2)
Cours de Trigonométrie Tronc Commun
22 pages
Outils de révision typographique en français
Pas encore d'évaluation
Outils de révision typographique en français
16 pages
Robinetterie Lieux Publics PDF
Pas encore d'évaluation
Robinetterie Lieux Publics PDF
264 pages
Im All Alone
Pas encore d'évaluation
Im All Alone
3 pages
Rapport Annuel 2012 - Atlanta Assurances
Pas encore d'évaluation
Rapport Annuel 2012 - Atlanta Assurances
48 pages
Anesthésie en Chirurgie Urologique
Pas encore d'évaluation
Anesthésie en Chirurgie Urologique
70 pages
Système de contrôle d'accès RFID
Pas encore d'évaluation
Système de contrôle d'accès RFID
3 pages
Modèle de contrat de vente marchandises
100% (10)
Modèle de contrat de vente marchandises
3 pages
Prank d'écran cassé pour iPhone
Pas encore d'évaluation
Prank d'écran cassé pour iPhone
1 page
Exercices d'algorithmique corrigés
Pas encore d'évaluation
Exercices d'algorithmique corrigés
4 pages
Méthode d'Acquisition Aéromagnétique
100% (1)
Méthode d'Acquisition Aéromagnétique
4 pages
Apprendre à taper au clavier efficacement
Pas encore d'évaluation
Apprendre à taper au clavier efficacement
9 pages
Introduction à MATLAB pour l'électrotechnique
Pas encore d'évaluation
Introduction à MATLAB pour l'électrotechnique
90 pages
Révision de grammaire française pour élèves
Pas encore d'évaluation
Révision de grammaire française pour élèves
39 pages
Discontinuités dans les massifs rocheux
Pas encore d'évaluation
Discontinuités dans les massifs rocheux
2 pages
Force et mouvement : Accélérations et calculs
Pas encore d'évaluation
Force et mouvement : Accélérations et calculs
4 pages
Exercices sur l'accord du participe passé
Pas encore d'évaluation
Exercices sur l'accord du participe passé
4 pages
Rapport de Stage en Masso-Kinésithérapie
Pas encore d'évaluation
Rapport de Stage en Masso-Kinésithérapie
16 pages
Chariot élévateur à essence FG30
Pas encore d'évaluation
Chariot élévateur à essence FG30
3 pages
Les hommes creux : réflexion sur la mort
Pas encore d'évaluation
Les hommes creux : réflexion sur la mort
5 pages
Chamberlain 306-354 Workshop Manual
100% (2)
Chamberlain 306-354 Workshop Manual
192 pages
Plan d'Urbanisme de la Wilaya d'Alger
Pas encore d'évaluation
Plan d'Urbanisme de la Wilaya d'Alger
144 pages
Résumé des ondes lumineuses
Pas encore d'évaluation
Résumé des ondes lumineuses
1 page
CND par Radiographie : Méthodes et Applications
100% (1)
CND par Radiographie : Méthodes et Applications
19 pages
Bordereau d'envoi Vinted Go
Pas encore d'évaluation
Bordereau d'envoi Vinted Go
1 page
Les 99 Haïku de Ryôkan : Poésie Zen
100% (1)
Les 99 Haïku de Ryôkan : Poésie Zen
50 pages
Plan d'affaire pour élevage avicole au Mali
Pas encore d'évaluation
Plan d'affaire pour élevage avicole au Mali
18 pages
Conception de Circuits Intégrés CMOS
Pas encore d'évaluation
Conception de Circuits Intégrés CMOS
2 pages