Cours R et Python

Leçon 1 • Installation de R et RStudio

Installez R base et l'IDE 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 les paquets à l'aide de CRAN dans R et de pip/conda dans Python. Garantit 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 contrôle de flux

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

Leçon 2 • Gestion des erreurs et débogage

Utilisez tryCatch dans R et try/except dans Python pour gérer les erreurs d'exécution avec élégance. Développe des habitudes de programmation défensive essentielles pour des 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 une conception de code modulaire appliquée dans chaque chapitre suivant.

Leçon 4 • Variables et types de données

Déclarez des variables et travaillez avec des types numériques, de caractères, logiques et complexes dans les deux langages. Développe la conscience des 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 modèles d'accès aux éléments utilisés dans les pipelines de données complexes.

Leçon 2 • Vecteurs et tableaux

Créez et indexez des vecteurs unidimensionnels dans R et des tableaux NumPy dans Python. Établit le conteneur de données atomique utilisé dans tout calcul numérique.

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 déduplication nécessaires dans les workflows de nettoyage de données.

Leçon 4 • DataFrames Pandas en Python

Construisez et manipulez des DataFrames Pandas comme structure tabulaire principale de Python. Fait écho à la section sur les data frames R pour permettre une comparaison directe entre les langages.

Leçon 1 • Gestion des données manquantes

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

Leçon 2 • Regroupement et agrégation de données

Résumez les données par groupes à l'aide de group_by/summarize dans R et groupby/agg dans Python. Produit les statistiques récapitulatives nécessaires pour le reporting 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 de melt/pivot dans 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 dans 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 relationnels à l'aide de l'API de haut niveau de Seaborn. Étend Matplotlib avec des résumés statistiques intégrés et des valeurs par défaut attrayantes.

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. Garantit que les visuels répondent aux normes professionnelles de reporting et de publication.

Leçon 4 • Principes de visualisation et sélection de graphiques

Appliquez les principes d'encodage visuel pour choisir le graphique adapté à chaque type de données. Ancre tout le travail de tracé ultérieur dans les bonnes pratiques de conception.

Leçon 1 • Tests d'hypothèses

Effectuez des tests t, des tests du chi-deux et une ANOVA à l'aide de R et de scipy.stats dans Python. Permet la comparaison formelle de groupes et de relations dans les données.

Leçon 2 • Distributions de probabilité

Échantillonnez et évaluez les distributions normale, binomiale et de Poisson dans 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 d'apprentissage automatique qui suit.

Leçon 4 • Intervalles de confiance et échantillonnage

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

Leçon 1 • Paramétrage et validation de modèles

Optimisez les hyperparamètres à l'aide de la recherche par grille et de la validation croisée dans les deux langages. Garantit 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 workflows ML professionnels.

Leçon 4 • Aperçu du workflow d'apprentissage automatique

Cadrez l'ensemble du pipeline ML, 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 livrer des rapports HTML, PDF et Word reproductibles.

Leçon 2 • Connexion de R et Python dans un seul workflow

Appelez Python depuis R à l'aide du paquet reticulate et passez des objets entre les sessions. Débloquez des workflows hybrides qui exploitent les forces des deux langages.

Leçon 3 • Organisation de projet et bonnes pratiques

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

Leçon 4 • Jupyter Notebooks pour les rapports Python

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