Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 2 · Bronze, Silver, Gold

Surveiller la qualité dans le temps

La partie 5 du TP, « Surveiller la qualité dans le temps », demande de :

  • comparer deux livraisons du fichier (J contre J-n) ;
  • tracer l'évolution de la complétude, des doublons et du % de lignes valides ;
  • définir les seuils qui déclencheraient une ALERTE ;
  • conclure : la qualité s'améliore-t-elle ?

Livrable : tableau de suivi sur 2 dates + règles d'alerte proposées (10 points au barème). Le fichier change chaque jour, d'où l'intérêt du monitoring.

À toi de coder

Indicateurs d'une livraison

La partie 5 suit la complétude, les doublons et le % de lignes valides. Complète indicateurs(m) pour une livraison décrite par m (chiffres fictifs, exemple ajouté).

Ctrl/⌘+Entrée

Vérifie que tu as compris

Que compare-t-on dans la partie 5 du TP ?

À toi de coder

Évolution entre deux livraisons

Comparer J contre J-n : écris l'évolution de chaque indicateur = valeur récente moins valeur ancienne. Complète evolution(ancien, recent). Un résultat positif sur completude ou valides est une amélioration ; positif sur doublons, une dégradation.

Ctrl/⌘+Entrée

Attention à lire l'évolution dans le bon sens : la complétude qui monte est une amélioration, mais le taux de doublons qui monte est une dégradation. Une conclusion honnête s'appuie sur plusieurs indicateurs et pas sur un seul chiffre.

Vérifie que tu as compris

La complétude passe de 55 % à 60 %, mais les doublons de 25 % à 30 %. Que conclure ?