À l'origine, designer par passion ! je vous propose de partager mes compétences pour vous aider à transformer vos données abstraites en histoires visuelles.
- Mes spécialités ? IT, data analyst , et la crème de la crème des nouvelles technos.
- Mon super-pouvoir ? Je code en Python et SQL qui me permet de jongler avec les données avec une grande aisance.
- Ma mission secrète ? Concevoir des tableaux de bord avec passion et créativité pour offrir une expérience utilisateur inégalée.
- Mon objectif ? Continuer à progresser et à me perfectionner dans mon domaine.
1. Une application permettant de consulter des données sur la prédiction des émissions de GES des véhicules électriques en Europe via :
- une API
- une interface web
Étapes clés
- Extraction des données avec Selenium ICI.
- Extract, transform & load des données avec KNIME.
- Création d'une régression linéaire pour imputer les données manquantes
- Analyse exploratoire des données EDA
- Création des datamarts plus ciblés et conviviaux
- Création des maquettes avec excalidraw pour valider la direction de la visualisation avant la phase d'implémentation complète
- implémentation complète par Power BI :
Tableau de bord 1+ Tableau de bord 2 vous trouverez le script Python ICI- Phase recette: la vérification de l'exactitude des données, la convivialité de l'interface, la cohérence des graphiques et leur pertinence par rapport aux besoins fixées initialement
- Documentation : explications sur les choix de conception, les outils utilisés, les étapes de développement, ainsi que des guides ou manuels d'utilisation pour les utilisateurs finaux.
- Utilisation du clustering k-means
- Détermination du meilleur modèle d'apprentissage automatique et prédiction réussie des émissions de GES des véhicules électriques en Europe
- Conception et développement de l'interface utilisateur de l'application web en utilisant HTML, CSS et JavaScript.
- Déploiement de l'application
En savoir plus sur le projet ICI.
Étapes clés
- Vous permet de vous connecter avec vos clés API privées Oauth
- Accès à toutes les méthodes répertoriées ici avec une seule fonction
- Gestionnaire d'erreur
- Préparer, nettoyer et effectuer une analyse exploratoire des données fournies
- Examiner les indicateurs de projet Locomotiv (évolution du chiffre d'affaires au fil du temps, chiffre d'affaires par catégorie, ventes de produits, données démographiques des clients, dépenses des clients, et les 10 principaux clients par achats et ventes)
- Examiner les corrélations entre les données démographiques des clients et les indicateurs de services.
- Analyser les principales conclusions afin de fournir des informations exploitables
- création des datamarts plus ciblés et conviviaux pour les consommer dans des rapports ICI.
- Création des maquettes par Figma ICI pour valider la direction de la visualisation avant la phase d'implémentation complète.
- Implémentation les tableaux de bord avec Power BI
- Phase recette: la vérification de l'exactitude des données, la convivialité de l'interface, la cohérence des graphiques et leur pertinence par rapport aux besoins fixées initialement
- Documentation : explications sur les choix de conception, les outils utilisés, les étapes de développement, ainsi que des guides ou manuels d'utilisation pour les utilisateurs finaux.
En savoir plus sur le projet ICI.
Étapes clés
- Chargement du modèle entraîné
- Définition de la fonction de prédiction du modèle
- Définition de la route principale de l'application Flask
- Définition de la route pour téléverser et prédire les images
- Lancement de l'application Flask
En savoir plus sur le projet ICI.
Un simple clone de page d'accueil ReactJS Netflix exécuté sur DataStax DB qui exploite l'API GraphQL avec pagination et défilement infini.
Voir la présentation vidéo Resultat Final de ce qu'on va construire !
Objectifs
- Créez et exécutez un clone Netflix.
- Découvrez l'API GraphQL et comment l'utiliser avec une base de données pour créer les tables et parcourir les données.
- En savoir plus sur la pagination et le défilement infini dans une interface utilisateur Web.
- Tirez parti de Netlify et de DataStax Astra DB.
- Déployez le clone Netflix en production avec Netlify.
C'est quoi Graphql
GraphQL est un langage de requête de données open source développé par Facebook en 2012 pour simplifier la communication entre les applications frontales et les serveurs de données. Contrairement aux API REST traditionnelles, GraphQL permet aux clients de spécifier précisément les données dont ils ont besoin, ce qui évite le surchargement de l'API avec des requêtes multiples et redondantes.Avec GraphQL, les clients peuvent interroger une API pour récupérer uniquement les données nécessaires à leur application, ce qui peut réduire considérablement la quantité de données transférées et améliorer les performances. GraphQL fournit également une documentation complète pour l'API, ce qui facilite la compréhension et l'utilisation de l'API par les développeurs.
En somme, GraphQL est un langage de requête flexible et efficace pour les API qui permet aux clients de spécifier exactement les données dont ils ont besoin, en évitant le gaspillage de ressources et en améliorant les performances.
Étapes clés
- Créer une instance de base de données DataStax
- Créer un jeton de sécurité
- Créer une table pour les genres avec GraphQL
- Insérer les données de genre avec GraphQL
- Récupérer les genres avec GraphQL
- Créer une table pour les films
- Insérer quelques films
- Récupérer des films : pagination
- Déployer l'interface graphique squelettique sur Netlify
- Lancez Gitpod depuis VOTRE dépôt Github
- Configurer et utiliser astra-cli
- Fonctions sans serveur
- Récupération depuis le front-end
- Installer la CLI Netlify
- Fournir les paramètres de connexion à la base de données
- Exécuter l'application en mode dev
- Connect to your Netlify site
- Déployer en production !
En savoir plus sur le projet ICI.