Programme

I. CURSUS EXCEL

Module 1 : Tableau structuré
1. Création et édition d'un tableau structuré
2. Filtre dynamique de données
3. Trucs et astuces pour la manipulation d’un tableau structuré 

Module 2 : Analyse de données 

1.  Fonctions : logique, recherche, statistique, date, texte, filtre
2. Utilitaire d’analyse et outil d'analyse rapide
3. Tableau croisé dynamique (TCD) et GCD

Module 3 : Connexion au données avec Power Query

1.  Importation des données de diverses sources 
2. Nettoyage et transformation des données
3. Fonctions de Power Query (langage M)

Module 4 : Modélisation des données avec Power Pivot

1.  Création de relations
2. Création de mesures 
3. Fonctions de Power Pivot (langage DAX)

Durée totale : 20 heures.

II. BASES DE DONNÉES SQL & NoSQL

Module 1 : Généralités sur les bases de données

1. Structure d'une base de données (Base, Schéma, Tables)

2. Principaux SGBD

3. Fonctionnement d’un SGBD 

4. Modélisation Entité-Association

Module 2 : Langage SQL

1.  Langage SQL

2. Requêtes de base (SELECT, WHERE, ORDER BY). 

3. Requêtes avancées (JOINS, fonctions d’agrégation, sous-requêtes).

Module 3 : Manipulation et interrogation de données

1. Insertion (INSERT)

2. Modification (UPDATE)

3. Suppression (DELETE/TRUNCATE)

4. Clause RETURNING/OUTPUT

5. Clause WHERE (Prédicat LIKE, SIMILAR TO, IS NULL, IN)

6. Opérateurs (UNION, INTERSECT, EXCEPT/MINUS)

Module 4 : Base de données NoSQL
1. Introduction aux Big Data
2. SQL vs NoSQL
3. Fondamentaux du NoSQL
4. Type de bases de données NoSQL
5. Création et manipulation d'une base de données NoSQL

Durée totale : 20 heures.

III. TECHNIQUES STATISTIQUES

Module 1 : Introduction à la statistique

1. Généralités sur la statistique

3. Démarche statistique

4. Vocabulaire statistique

Module 2 : Méthodologie de collecte de données

2. Méthodes d'échantillonnage 

3. Conception d’outils de collecte 

4. Organisation des opérations de collecte

Module 3 : Traitement des données d’enquêtes

1. Contrôle de la qualité des données

2. Détection des valeurs manquantes, aberrantes ou extrêmes

2. Traitement des valeurs manquantes, aberrantes ou extrêmes

Module 4 : Description et exploration des données

1. Statistiques descriptives : mesures de tendance centrale et de dispersion

2. Analyse de la corrélation et de la variance (ANOVA)

3. Représentations graphiques des données 

Module 5 : Statistique inférentielle

1. Test d'hypothèses 

2. Econométrie du module linéaire (simple et multiple)

3. Econométrie des séries temporelles

4. Econométrie des variables qualitatives

5. Econométrie des données de panel

Durée totale : 30 heures.

IV. VISUALISATION DE DONNÉES

Module 1 : Introduction à la visualisation de données 

1. Définition et importance de la visualisation de données

2. Choix des bonnes visualisations et de couleurs

3. Data storytelling

Module 2 : Visualisation de données avec Power BI 

1.   Introduction à Power BI 

2.  Connexion à différentes sources de données

3.  Modélisation de données 

4. Création de mesures et de dimensions

5.  Visualisation de données avec Power BI

Module 3 : Visualisation de données avec Looker Studio

1.  Introduction à Looker Studio 

2. Connexion à différentes sources de données

3. Création de mesures et de dimensions

4.  Création de tableaux de bords interactifs

Durée totale : 20 heures.

V. PROGRAMMATION

Module 1 : Introduction à Python

1. Historique et importance de Python

2. Installation Python + Jupyter Notebook 

3. Présentation de Jupyter Notebook 

4. Opérateurs arithmétiques, comparaison, logique, affectation, etc.

5. Liste, dictionnaire, tuple 

6. Variable et fonction

7. Conditions (if, elif, else)

8. Boucle for, while, etc.

Module 2 : Manipulation de données avec python

1. Pandas : Series, dataframe, sort, groupby, selection, missing data, merge, stats, etc.

2. NumPy : Array, arithmetic, indexation, aggregation, matrix, transposing, reshaping, etc.

Durée totale : 20 heures.

VI. INTELLIGENCE ARTIFICIELLE ET MACHINE LEARNING 

Module 1 : Introduction à l'intelligence artificielle et au machine learning

1. Définition et concepts clés de l’IA.

2. Lien entre l'IA et le machine learning

3. Types de machine learning (supervisé, non supervisé, renforcement)

Module 2 : Cas pratique d'utilisation du Machine learning 

1. Classification

2. Régression

3. Clustering

4. Réduction de dimension

5. Evaluation des modèles et optimisation

Module 3 : Deep Learning et réseaux de neurones

1. Différences entre ML et Deep Learning.

2. Architecture des réseaux neuronaux (perceptrons, couches cachées).

3. Introduction à TensorFlow et Keras.

Durée totale : 30 heures.