Ce cours vous apprend à transformer des ensembles de données réels en ressources analytiques fiables grâce à des techniques pratiques et reproductibles de nettoyage des données. Vous apprendrez à évaluer les caractéristiques catégorielles et à sélectionner les stratégies d’encodage optimales, à mesurer et à documenter la qualité des données, ainsi qu’à appliquer des approches efficaces pour traiter les valeurs manquantes. À l’aide de Python et de pandas, vous vous exercerez à évaluer la cardinalité, à mettre en œuvre l’encodage cible, à valider l’exhaustivité avec Great Expectations et à établir une traçabilité transparente des transformations. Vous nettoierez également des champs hétérogènes tels que les âges, les valeurs aberrantes de salaire et les dates afin de garantir des résultats cohérents et prêts à être utilisés dans des modèles. Conçu pour les analystes, les ingénieurs de données et les professionnels du machine learning, ce cours vous dote des compétences professionnelles nécessaires pour préparer des ensembles de données de haute qualité permettant d’obtenir des informations fiables et de réaliser une modélisation prédictive.