Glossaire

Jupyter Notebook

Qu’est-ce que Jupyter Notebook ?

Jupyter Notebook est une application open source fonctionnant dans le navigateur, issue du projet Jupyter, qui réunit dans un même document du code exécutable, des résultats, des graphiques et du texte explicatif. Les notebooks sont très utilisés en analyse de données, en apprentissage automatique, en recherche et en enseignement, car chaque étape peut être documentée et partagée de façon traçable. Python est le langage le plus courant. Exemple : un analyste charge des ventes, les nettoie et affiche le résultat sous forme de graphique juste en dessous.

Thèmes

Analyse de données
Python
Outil

Essayer KI.ordo

Agents, flux et modèles dans un seul espace de travail – démo gratuite de 24 heures.

Lancer la démo

← Tous les termes

Termes associés

Google Colab

Google Colab (Colaboratory) est un service cloud de Google qui exécute du code Python dans des notebooks de type Jupyter directement dans le navigateur, sans installation locale. L’offre gratuite inclut aussi des GPU et TPU, selon disponibilité et avec des limites de durée ; les formules payantes offrent plus de puissance. Colab sert beaucoup à l’enseignement, à l’analyse de données et aux essais de modèles ; un assistant Gemini intégré aide à écrire et corriger le code (état : octobre 2026).

Notebook
Cloud
+1

pandas

pandas est une bibliothèque Python open source d’analyse et de manipulation de données tabulaires, développée à partir de 2008 par Wes McKinney. Son objet central, le DataFrame, ressemble à un tableau aux colonnes nommées. Elle permet d’importer des données depuis des fichiers CSV, Excel ou des bases de données, puis de les nettoyer, filtrer, regrouper et fusionner. pandas repose sur NumPy et constitue un outil standard d’analyse de données, de reporting et de préparation des données d’entraînement.

Python
analyse de données
+1

NumPy

NumPy est la bibliothèque Python open source de référence pour le calcul numérique. Elle fournit des tableaux multidimensionnels et des fonctions rapides d’algèbre linéaire, de statistique et de génération de nombres aléatoires, dont le cœur s’exécute en code compilé. De nombreux outils d’analyse de données et de machine learning, comme pandas, scikit-learn et beaucoup de bibliothèques de visualisation, reposent sur NumPy. Quiconque travaille avec des données en Python l’utilise donc presque toujours, directement ou non.

Python
analyse de données
+1

Analyse exploratoire des données (EDA)

L’analyse exploratoire des données (EDA) est un premier regard ouvert sur un jeu de données : on calcule des indicateurs, on examine distributions et graphiques et on cherche des tendances, des valeurs aberrantes et des valeurs manquantes, sans hypothèse arrêtée. Elle permet d’évaluer la qualité des données et de formuler les bonnes questions pour la suite. Exemple : avant une prévision des ventes, l’EDA montre qu’un mois a été saisi de façon incomplète lors d’un changement de système.

Analyse de données
Statistiques
+1

Modèle