À retenir
- C'est la matière première de l'analyse informatique et de l'IA.
- Il doit être structuré (souvent sous forme de lignes et colonnes).
- La qualité de l'analyse dépend entièrement de la qualité du jeu de données de départ.
Un jeu de données est une collection organisée d'informations que l'on regroupe pour être analysées par un ordinateur. C'est un peu comme un grand tableau de bord ou une feuille de calcul où chaque ligne correspond à un objet précis (une personne, un objet, un événement) et chaque colonne à une caractéristique de cet objet (son nom, son prix, sa date).
Étymologie
Traduction de l'anglais dataset. Le mot « jeu » est utilisé ici au sens d'ensemble complet et cohérent, de la même manière que l'on parle d'un « jeu de clés » ou d'un « jeu de cartes ». Il s'est imposé avec le développement des statistiques informatisées et de la science des données.
Exemples d'usage
- Une liste de 10 000 transactions bancaires incluant le montant, l'heure et le lieu pour détecter des fraudes.
- Un dossier contenant des milliers de photos de fleurs légendées pour apprendre à une intelligence artificielle à les reconnaître.
- Un fichier CSV regroupant les résultats de recensements nationaux par commune.
Cas d'usage
On utilise les jeux de données principalement en science des données pour extraire des statistiques, en apprentissage automatique (Machine Learning) pour entraîner des algorithmes, et dans la recherche scientifique pour tester des théories à partir de faits réels.
Bonnes pratiques
Il est crucial de « nettoyer » son jeu de données avant usage pour supprimer les erreurs ou les doublons. Il faut aussi veiller à ce qu'il soit représentatif pour éviter les biais (par exemple, un jeu de données médicales qui n'inclurait que des hommes fausserait les résultats pour les femmes).
Synonymes
Antonymes
Conseil
Si vous débutez, commencez par explorer des jeux de données au format .csv (lisibles avec n'importe quel tableur). C'est le format le plus simple pour visualiser comment les informations sont découpées entre variables et observations.
Questions fréquentes
Quelle est la différence entre un jeu de données et une base de données ?
Un jeu de données est souvent un fichier statique (comme un export) prêt à être analysé, tandis qu'une base de données est un système complexe qui stocke, modifie et gère ces données en temps réel.
Où trouver des jeux de données gratuits ?
Il existe des plateformes d'Open Data (données publiques) mises à disposition par les gouvernements ou des sites spécialisés comme Kaggle.