Programme détaillé

FONDAMENTAUX DE R

INTRODUCTION AU LANGAGE R

• Historique et caractéristiques clés du langage
• Comparaison avec les autres langages data science (Python, SAS, MATLAB...)
• Installation de R et de l'IDE RStudio

SYNTAXE ET OBJETS DE BASE EN R

• Types de données (numeric, character, logical...)
• Opérateurs et fonctions de base
• Bonnes pratiques : conventions de nommage, indentation, commentaires...

STRUCTURES DE DONNEES EN R

• Vecteurs et facteurs
• Matrices et arrays
• Listes
• Dataframes

IMPORTATION ET EXPORTATION DE DONNEES

• Lecture/écriture de fichiers plats (CSV, TXT...)
• Connexion à une base de données
• Scraping de données depuis une page web

INTRODUCTION A LA PROGRAMMATION FONCTIONNELLE

• Concept d'immutabilité
• Application de fonctions avec lapply/sapply/tapply
• Écriture de fonctions en R

DATA WRANGLING ET VISUALIZATION

MANIPULATION DE DONNEES AVEC DPLYR

• Opérations principales : select, filter, mutate, arrange, summarise...
• Enchaînement d'opérations avec les pipes
• Jointures de dataframes

RESHAPING DE DONNEES AVEC TIDYR

• Passage du format wide au format long avec gather
• Passage du format long au format wide avec spread
• Séparation et combinaison de colonnes

GESTION DES DONNEES MANQUANTES ET DES OUTLIERS

• Détection et visualisation des valeurs manquantes/aberrantes
• Suppression et imputation des valeurs manquantes
• Gestion des outliers

DATA VISUALISATION AVEC GGPLOT2

• Concepts clés de la grammaire des graphiques
• Esthétiques, géométries et thèmes
• Création de graphiques avancés : small multiples, graphiques interactifs...

PROJET DIRIGE : ANALYSE EXPLORATOIRE D'UN JEU DE DONNEES

• Import, nettoyage et transformation des données
• Analyses univariées et multivariées
• Visualisations avancées et interprétation des résultats

STATISTIQUES AVEC R

STATISTIQUES DESCRIPTIVES AVEC R

• Indicateurs de tendance centrale et de dispersion
• Quantiles et boxplots
• Corrélations et associations

TESTS STATISTIQUES PARAMETRIQUES

• Tests de comparaison (t-test, ANOVA...)
• Tests d'indépendance (chi-2, test exact de Fisher)
• Corrélations et régressions linéaires simples

TESTS STATISTIQUES NON PARAMETRIQUES

• Tests de rang (Wilcoxon, Kruskal-Wallis...)
• Corrélations de Spearman

MACHINE LEARNING AVEC R

INTRODUCTION AU MACHINE LEARNING

• Types d'apprentissage : supervisé, non supervisé, par renforcement
• Compromis biais-variance, sur- et sous-apprentissage
• Validation croisée et optimisation des hyperparamètres

PREPARATION DES DONNEES POUR LE ML

• Encodage des variables catégorielles
• Normalisation et standardisation des variables numériques
• Sélection de variables

ALGORITHMES DE ML SUPERVISES

• Régression
• Classification
• Arbres de décision et forêts aléatoires

ALGORITHMES DE ML NON SUPERVISES

• Clustering (K-means, hierarchical clustering...)
• Réduction de dimension (ACP, MDS, t-SNE...)

PROJET DIRIGE : PREDICTION SUPERVISEE SUR UN JEU DE DONNEES REEL

• Analyse du problème et des données
• Feature engineering et sélection de variables
• Comparaison et optimisation de différents algorithmes
• Interprétation des résultats

DEVELOPPEMENT ET INDUSTRIALISATION AVEC R

DEVELOPPEMENT D'APPLICATIONS WEB AVEC SHINY

• Composants UI et Server
• Inputs et outputs (widgets, graphiques, tables...)
• Mise en page et thèmes
• Exemples d'applications

PROJET FIL ROUGE : DEVELOPPEMENT D'UN DASHBOARD SHINY

• Analyse des besoins et maquettage
• Importation et préparation des données
• Création des différents éléments graphiques
• Mise en production du dashboard

CONCLUSION ET PERSPECTIVES

• Récapitulatif des points clés de la formation
• Panorama des packages R pour la data science
• Ressources pour approfondir et monter en compétences
• Retour d'expérience sur les métiers de la data science