Cours R et Python

Leçon 1 • Installation de R et RStudio

Installez R de base et l'environnement de développement intégré RStudio sur Windows, macOS et Linux. Établit l'espace de travail R fondamental utilisé tout au long du cours.

Leçon 2 • Gestion des paquets et des bibliothèques logicielles

Installez et mettez à jour des paquets à l'aide du CRAN dans R et de pip/conda dans Python. Assure que les étudiants peuvent étendre les deux environnements avec des outils tiers.

Leçon 3 • Installation de Python et Anaconda

Installez Python via la distribution Anaconda et configurez Jupyter Notebook. Fournit l'espace de travail Python qui reflète la configuration R pour un apprentissage parallèle.

Leçon 1 • Structures de flux de contrôle

Écrivez des instructions if/else, des boucles for et des boucles while dans les deux langues. Permet la logique conditionnelle et l'itération essentielles pour les scripts de traitement des données.

Leçon 2 • Gestion des erreurs et débogage

Utilisez tryCatch en R et try/except en Python pour gérer les erreurs d'exécution avec élégance. Développe des habitudes de codage défensif essentielles pour les scripts de qualité professionnelle.

Leçon 3 • Écriture et appel de fonctions

Définissez des fonctions réutilisables avec des paramètres, des valeurs par défaut et des instructions de retour. Favorise la conception de code modulaire appliquée dans tous les chapitres suivants.

Leçon 4 • Variables et types de données

Déclarez des variables et travaillez avec les types numériques, caractères, logiques et complexes dans les deux langues. Développe la sensibilisation aux types nécessaire pour toute manipulation de données ultérieure.

Leçon 1 • Listes et tuples

Stockez des données hétérogènes dans des listes R et des listes et tuples Python. Couvre les structures imbriquées et les motifs d'accès aux éléments utilisés dans les pipelines de données complexes.

Leçon 2 • Vecteurs et tableaux

Créez et indexez des vecteurs unidimensionnels en R et des tableaux NumPy en Python. Établit le conteneur de données atomique utilisé dans tous les calculs numériques.

Leçon 3 • Dictionnaires et ensembles en Python

Utilisez les dictionnaires Python pour le stockage clé-valeur et les ensembles pour les collections d'éléments uniques. Fournit les outils de recherche et de dédoublonnage nécessaires dans les flux de travail de nettoyage des données.

Leçon 4 • DataFrames Pandas en Python

Construisez et manipulez des DataFrames Pandas comme structure tabulaire principale de Python. Reflète la section des data frames R pour permettre une comparaison directe entre les langues.

Leçon 1 • Gestion des données manquantes

Détectez, supprimez et imputez les valeurs manquantes à l'aide des méthodes de base R et de Pandas. Assure la qualité des données avant les étapes de modélisation ou de visualisation.

Leçon 2 • Regroupement et agrégation des données

Résumez les données par groupes à l'aide de group_by/summarize en R et de groupby/agg en Python. Produit les statistiques récapitulatives nécessaires pour les rapports et la visualisation.

Leçon 3 • Remodelage des données : formats large et long

Pivotez les données entre les formats large et long à l'aide de tidyr et des fonctions melt/pivot de Pandas. Prépare les données dans la forme requise par les bibliothèques logicielles de visualisation et de modélisation.

Leçon 4 • Importation et exportation de données

Lisez des fichiers CSV, Excel et JSON en R et Python et écrivez les résultats sur le disque. Établit le pipeline d'ingestion de données qui alimente toutes les étapes de transformation.

Leçon 1 • Visualisation statistique avec Seaborn

Générez des graphiques de distribution, catégoriels et de relations à l'aide de l'API de haut niveau de Seaborn. Étend Matplotlib avec des résumés statistiques intégrés et des paramètres par défaut attrayants.

Leçon 2 • Tracé avec Matplotlib en Python

Créez des figures et des axes à l'aide de l'API orientée objet de Matplotlib. Fournit la couche de traçage Python fondamentale sur laquelle Seaborn et Pandas s'appuient.

Leçon 3 • Personnalisation et exportation de graphiques

Appliquez un style cohérent, des annotations et des paramètres d'exportation sur les graphiques R et Python. Assure que les visuels répondent aux normes professionnelles de rapport et de publication.

Leçon 4 • Principes de visualisation et sélection de graphiques

Appliquez les principes de codage visuel pour choisir le bon graphique pour chaque type de données. Ancre tout le travail de traçage ultérieur dans les meilleures pratiques de conception.

Leçon 1 • Tests d'hypothèses

Effectuez des tests t, des tests du khi carré et des ANOVA à l'aide de R et de scipy.stats en Python. Permet la comparaison formelle de groupes et de relations dans les données.

Leçon 2 • Distributions de probabilité

Échantillonnez et évaluez les distributions normales, binomiales et de Poisson en R et Python. Construit la base probabiliste nécessaire pour les tests d'hypothèses et la modélisation.

Leçon 3 • Corrélation et régression simple

Mesurez les relations linéaires avec des coefficients de corrélation et ajustez des modèles de régression linéaire simple. Prépare les étudiants pour le chapitre complet sur l'apprentissage automatique qui suit.

Leçon 4 • Intervalles de confiance et échantillonnage

Construisez des intervalles de confiance et comprenez la variabilité de l'échantillonnage dans les deux langues. Relie la théorie des probabilités à l'inférence pratique sur des ensembles de données réels.

Leçon 1 • Réglage et validation de modèles

Optimisez les hyperparamètres à l'aide de la recherche par grille et de la validation croisée dans les deux langues. Assure que les modèles généralisent au-delà des données d'entraînement avant le déploiement.

Leçon 2 • Modèles de régression

Entraînez des modèles de régression linéaire et polynomiale et évaluez l'ajustement à l'aide de la validation croisée. Étend la régression simple du chapitre 6 aux formes régularisées et non linéaires.

Leçon 3 • Modèles de classification

Entraînez la régression logistique, les arbres de décision et les forêts aléatoires pour des tâches de classification. Couvre les classifieurs les plus utilisés dans les flux de travail professionnels d'apprentissage automatique.

Leçon 4 • Aperçu du flux de travail d'apprentissage automatique

Cadrez le pipeline complet d'apprentissage automatique, de la définition du problème à l'évaluation du modèle. Fournit la carte conceptuelle qui organise toutes les sections de modélisation ultérieures.

Leçon 1 • R Markdown pour les rapports dynamiques

Combinez le code R, le texte narratif et la sortie dans un seul document R Markdown. Permet aux analystes de fournir des rapports reproductibles en HTML, PDF et Word.

Leçon 2 • Connexion de R et Python dans un seul flux de travail

Appelez Python à partir de R à l'aide du paquet reticulate et passez des objets entre les sessions. Débloque des flux de travail hybrides qui tirent parti des forces des deux langues.

Leçon 3 • Organisation de projet et meilleures pratiques

Structurez les projets R et Python avec des dispositions de dossiers cohérentes, des conventions de nommage et des fichiers README. Assure la maintenabilité à long terme et la collaboration en équipe.

Leçon 4 • Jupyter Notebooks pour les rapports Python

Structurez l'analyse dans Jupyter Notebooks avec des cellules markdown, des cellules de code et une sortie enrichie. Fournit l'équivalent Python de R Markdown pour des documents analytiques partageables.