Cours RStudio

Leçon 1 • Installation de R et RStudio

Couvre le téléchargement et la configuration de R et RStudio sur les principaux systèmes d'exploitation. Établit un environnement de travail requis pour tous les exercices subséquents.

Leçon 2 • Navigation dans l'interface de RStudio

Présente les quatre principaux volets et leurs fonctions dans RStudio. Permet un flux de travail efficace en maîtrisant la personnalisation de la disposition et l'utilisation des volets.

Leçon 3 • Écrire et exécuter des scripts R

Enseigne la création, la sauvegarde et l'exécution de fichiers de script R. Relie les habitudes de script à des flux de travail d'analyse de données reproductibles et organisés.

Leçon 4 • Obtenir de l'aide dans RStudio

Démontre les outils d'aide intégrés, la recherche dans la documentation et les ressources de la communauté. Permet aux étudiants de résoudre les problèmes de manière autonome tout au long du cours.

Leçon 1 • Travailler avec les vecteurs

Enseigne la création, l'indexation et les opérations sur les vecteurs atomiques. Les vecteurs sont la pierre angulaire de toutes les structures de données en R.

Leçon 2 • Listes et structures imbriquées

Explique les listes comme conteneurs flexibles pour des types de données mixtes. Prépare les étudiants à gérer des données complexes et hiérarchiques courantes dans des projets réels.

Leçon 3 • Types de données scalaires dans R

Couvre les types numériques, entiers, caractères, logiques et complexes. Comprendre les types évite les erreurs de coercition dans les tâches ultérieures de manipulation de données.

Leçon 4 • Matrices et tableaux

Présente les matrices bidimensionnelles et les tableaux multidimensionnels. Développe les compétences pour le calcul numérique et la représentation structurée des données.

Leçon 1 • Importation de données JSON et Web

Démontre jsonlite et httr pour la lecture de JSON et de réponses d'API. Élargit l'accès aux données aux sources web modernes et semi-structurées.

Leçon 2 • Exportation de données et de résultats

Couvre write.csv(), writexl et saveRDS pour la sauvegarde des sorties. Assure que les étudiants peuvent livrer des produits de données propres et reproductibles aux parties prenantes.

Leçon 3 • Lecture de fichiers CSV et texte

Enseigne read.csv(), read.table() et les fonctions readr pour les fichiers plats. Établit le flux de travail le plus courant d'ingestion de données utilisé en pratique.

Leçon 4 • Connexion aux bases de données

Introduit les paquets DBI et odbc pour l'interrogation des bases de données relationnelles. Permet aux étudiants d'accéder aux sources de données d'entreprise directement depuis RStudio.

Leçon 1 • Gestion des données manquantes

Couvre la détection, la suppression et l'imputation des valeurs manquantes dans les data frames. Empêche les erreurs en aval causées par les valeurs NA dans les pipelines d'analyse.

Leçon 2 • Jointure et fusion de data frames

Explique les jointures gauche, droite, interne et complète à l'aide des fonctions de jointure de dplyr. Développe la capacité de combiner des données provenant de plusieurs sources en un seul ensemble de données.

Leçon 3 • Remodelage des données avec tidyr

Démontre pivot_longer() et pivot_wider() pour la transformation de données ordonnées. La structure ordonnée est requise pour la plupart des fonctions de visualisation et de modélisation.

Leçon 4 • Verbes fondamentaux de dplyr

Enseigne filter(), select(), mutate(), arrange() et summarize(). Ces cinq verbes gèrent la majorité des tâches de transformation de données du monde réel.

Leçon 1 • Types de graphiques courants

Couvre les nuages de points, les diagrammes en barres, les histogrammes, les boîtes à moustaches et les graphiques linéaires. Adapter le type de graphique au type de données est une compétence essentielle en communication des données.

Leçon 2 • Sauvegarde et exportation de graphiques

Couvre ggsave() avec les options de format, de résolution et de taille pour l'exportation. Assure que les graphiques répondent aux normes de qualité pour les rapports, les présentations et les publications.

Leçon 3 • Facettage et graphiques à plusieurs panneaux

Démontre facet_wrap() et facet_grid() pour les visualisations en petits multiples. Le facettage révèle les modèles au niveau du groupe sans encombrer un seul graphique.

Leçon 4 • Personnalisation des thèmes et des étiquettes

Enseigne les étiquettes d'axes, les titres, les légendes et les thèmes intégrés pour une sortie soignée. La personnalisation transforme les graphiques bruts en visuels professionnels prêts pour le public.

Leçon 1 • Test d'hypothèse

Couvre les tests t, les tests du khi-deux et l'ANOVA pour comparer des groupes. Les étudiants sélectionnent le test approprié en fonction du type de données et de la question de recherche.

Leçon 2 • Analyse de corrélation

Enseigne les coefficients de corrélation de Pearson et de Spearman ainsi que les tests de signification. La corrélation quantifie les relations linéaires et monotones entre les variables.

Leçon 3 • Statistique descriptive

Calcule les mesures de tendance centrale, de dispersion et de forme de la distribution. Les résumés descriptifs sont le point de départ de toute analyse quantitative.

Leçon 4 • Régression multiple et sélection de modèles

Étend la régression à plusieurs prédicteurs et introduit les critères de comparaison de modèles. Les étudiants construisent des modèles parcimonieux qui équilibrent l'ajustement et la complexité.

Leçon 1 • Mise en forme des tableaux dans les rapports

Démontre knitr::kable() et kableExtra pour des tableaux stylisés et prêts pour la publication. Les tableaux bien formatés communiquent les résumés de données plus efficacement que les sorties brutes.

Leçon 2 • Rapports paramétrés

Enseigne les paramètres YAML et render() pour générer plusieurs variantes de rapports. La paramétrisation automatise la production de rapports pour différents sous-groupes ou périodes.

Leçon 3 • Exportation vers PDF et Word

Configure la sortie PDF basée sur LaTeX et les modèles de documents Word. Adapter le format de sortie aux normes organisationnelles assure l'acceptation par les parties prenantes.

Leçon 4 • Introduction à R Markdown

Explique la structure du fichier R Markdown, l'en-tête YAML et le processus de tricotage. La production de rapports reproductibles élimine les erreurs de copier-coller manuelles dans les livrables analytiques.

Leçon 1 • Programmation fonctionnelle avec purrr

Enseigne map(), map_df() et walk() pour appliquer des fonctions sur des listes. L'itération fonctionnelle remplace les boucles for sujettes aux erreurs par un code lisible et prévisible.

Leçon 2 • Débogage et gestion des erreurs

Introduit tryCatch(), browser() et traceback() pour diagnostiquer les échecs de code. Une gestion robuste des erreurs empêche les échecs silencieux dans les pipelines d'analyse de production.

Leçon 3 • Flux de contrôle et conditionnels

Explique if/else, switch(), les boucles for et les boucles while dans R. Les structures de flux de contrôle permettent un comportement de programme dynamique et dépendant de conditions.

Leçon 4 • Écriture de fonctions personnalisées

Couvre la syntaxe des fonctions, les arguments, les valeurs par défaut et les valeurs de retour. Les fonctions personnalisées éliminent la duplication de code et imposent une logique cohérente dans tous les scripts.