Vous êtes ici : Accueil > Statistique > Formation > Cycle Data Analyst

Formation Data Analyst


Objectifs

Acquérir des compétences appliquées relatives à l’analyse de données aussi bien quantitatives que qualitatives.
A l'issue de ce cycle de formation Data Analyst, vous saurez résumer l’information pertinente présente dans un fichier de données et en extraire celle utile à la prise de décision.

Public

Toute personne désirant exploiter efficacement les données mises à sa disposition.

Méthode

Pédagogie active mêlant exposés, exercices et applications pratiques

Certification

Data Value vous propose en option la certification des connaissances et des compétences acquises au cours du cycle de formation Data Analyst. Organisée sur une demi-journée, cette certification s'appuie sur un QCM, des exercices ainsi qu'une étude de cas.

Programme

Ce cycle de formation Data Analyst est composé des modules suivants :

  • Statistique descriptive (exploratoire) : savoir décrire des observations
    Apprendre à décrire des jeux de données à l'aide de résumés numériques et de représentations graphiques

  • Statistique décisionnelle (inférentielle) : savoir décider au vu des observations
    Découvrir la statistique inférentielle permettant de généraliser à partir d’un échantillon (connaissance partielle d’un phénomène) afin de prendre une décision en sachant évaluer les deux types de risques associés. Maîtrise opérationnelle des notions d’estimation d’un paramètre, d’intervalle de confiance, de tests d'hypothèse, ...

  • Régression linéaire, analyse de la variance et de la covariance
    Acquérir la connaissance méthodologique et pratique des méthodes de régression linéaire, d'analyse de la variance et de la covariance permettant d'obtenir une analyse explicative d'un phénomène, de confirmer des hypothèses, de prendre des décisions ou encore d'effectuer des prévisions

  • Analyse des données : méthodes exploratoires (ACP, AFC, classification)
    Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, Classification) afin de mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants

  • Analyse des données : méthodes décisionnelles
    Découvrir les principales méthodes décisionnelles d'analyse des données (arbres de décision, règles d'association, régression multiple, analyse discriminante, ...), choisir celle appropriée au problème et aux données. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants