Pourquoi visualiser ?

Le cours démarre par une idée forte : la data visualisation n'est pas un outil graphique, c'est un outil de raisonnement. Un data scientist ne visualise pas pour décorer ; il visualise pour comprendre, réduire l'incertitude et prendre des décisions.

Pourquoi ça marche ? Parce que le dessin permet au cerveau de détecter des patterns, d'identifier des anomalies, de comparer rapidement des distributions et de comprendre des relations complexes.

La visualisation s'insère à tous les étages du pipeline de la data science : Collecte → Nettoyage → Compréhension (EDA) → Modélisation → Interprétation → Restitution → Décision.

Avant le modèle, on explore pour comprendre les données ; après le modèle, on explique le résultat. L'EDA (Exploratory Data Analysis) est l'approche qui vise à comprendre les caractéristiques et la structure des données. Elle comprend : identifier les variables importantes, faire de rapides visualisations, créer de nouvelles variables pertinentes, détecter les valeurs aberrantes et anomalies, tester des hypothèses ou intuitions, tirer de premières conclusions alignées avec les objectifs commerciaux.

La formule à retenir : on explore pour comprendre, on visualise pour décider.