Formation en analyse et modélisation avec R

Leçon 1 • Importation et exportation de données

Lit les sources CSV, Excel et bases de données dans R et écrit les résultats. Connecte les fichiers de données brutes à la chaîne d'analyse.

Leçon 2 • Installation et configuration de R et RStudio

Installez R, RStudio et les packages essentiels à partir de zéro. Établit l'espace de travail reproductible utilisé tout au long du cours.

Leçon 3 • Structures de programmation R de base

Présente le contrôle de flux, les fonctions et les opérations vectorisées. Permet l'automatisation des tâches analytiques répétitives dès le départ.

Leçon 1 • Remodelage des données avec tidyr

Convertit entre les formats large et long et gère les données imbriquées. Prépare les structures de données requises par les fonctions statistiques et de visualisation.

Leçon 2 • Jointure et fusion d'ensembles de données

Combine plusieurs tables à l'aide de jointures internes, gauches, droites et complètes. Permet l'intégration de données provenant de sources disparates en un seul cadre d'analyse.

Leçon 3 • Manipulation des chaînes de caractères et des dates

Nettoie le texte avec stringr et analyse les dates avec lubridate. Traite les problèmes de qualité de données les plus courants dans les ensembles de données réels.

Leçon 1 • Identification des valeurs aberrantes et problèmes de qualité des données

Détecte les anomalies à l'aide de méthodes visuelles et statistiques avant la modélisation. Empêche les estimations biaisées causées par des problèmes de données non examinés.

Leçon 2 • Statistiques descriptives dans R

Calcule les mesures de tendance centrale, de dispersion et de forme pour les variables numériques et catégorielles. Ancre l'exploration visuelle dans des résumés quantitatifs.

Leçon 3 • Types de graphiques avancés et thèmes

Crée des diagrammes en boîte, des cartes de chaleur et des thèmes personnalisés pour une présentation professionnelle. Étend les compétences de base en ggplot2 à des affichages complexes à plusieurs variables.

Leçon 1 • Lois de probabilité dans R

Génère, échantillonne et visualise les lois de probabilité courantes à l'aide des fonctions intégrées de R. Construit les fondements probabilistes nécessaires à tout travail d'inférence.

Leçon 2 • Intervalles de confiance et échantillonnage

Construit des intervalles de confiance pour les moyennes, les proportions et les différences. Connecte les statistiques d'échantillon aux paramètres de la population avec une incertitude quantifiée.

Leçon 3 • Tests non paramétriques et de rééchantillonnage

Applique les tests de Wilcoxon, de Kruskal-Wallis et de permutation lorsque les hypothèses ne sont pas vérifiées. Étend la capacité d'inférence aux données non normales et de petite taille d'échantillon.

Leçon 1 • Régression linéaire simple

Ajuste un modèle OLS à un seul prédicteur et interprète la pente et l'ordonnée à l'origine. Établit le cadre de régression étendu dans tous les chapitres de modélisation suivants.

Leçon 2 • Régression linéaire multiple

Étend la régression à plusieurs prédicteurs avec des termes d'interaction et polynomiaux. Capture les relations complexes du monde réel dans le cadre linéaire.

Leçon 3 • Sélection de variables et régularisation

Applique la sélection pas à pas, la régression ridge et lasso pour réduire le surajustement. Produit des modèles parcimonieux qui se généralisent au-delà de l'échantillon d'apprentissage.

Leçon 1 • Fondamentaux de la régression logistique

Ajuste des modèles logistiques binaires avec glm() et interprète les log-cotes et les probabilités. Fournit le classifieur de base pour tout travail de classification ultérieur.

Leçon 2 • Rééchantillonnage et validation croisée

Implémente la validation croisée k-fold et stratifiée pour estimer l'erreur de généralisation. Empêche le surajustement en séparant la sélection du modèle statistique de l'évaluation finale.

Leçon 3 • Évaluation du modèle statistique pour les classifieurs

Mesure la performance du classifieur avec des matrices de confusion, des courbes ROC et l'AUC. Connecte les sorties du modèle statistique aux critères de décision métier.

Leçon 1 • Arbres de décision avec rpart

Développe, élague et visualise des arbres de classification et de régression. Présente la logique de partitionnement récursif qui sous-tend tous les ensembles basés sur les arbres.

Leçon 2 • Forêts aléatoires

Construit des ensembles baggés d'arbres décorrélés à l'aide du package randomForest. Obtient des prédictions robustes grâce à la réduction de la variance par moyenne.

Leçon 3 • Réglage des modèles avec caret et tidymodels

Automatise la recherche d'hyperparamètres et la comparaison de modèles dans un cadre unifié. Standardise le flux de travail de réglage pour tous les types de modèles.

Leçon 1 • Rapports et déploiement de modèles

Empaquète les modèles sous forme de rapports R Markdown et de points de terminaison d'API Plumber pour une utilisation en production. Comble l'écart entre le développement analytique et la livraison opérationnelle.

Leçon 2 • Interprétabilité et explicabilité des modèles

Applique les valeurs SHAP, les diagrammes de dépendance partielle et LIME pour expliquer les modèles boîte noire. Construit la confiance des parties prenantes en liant les prédictions aux facteurs d'entrée.

Leçon 3 • Bases de la prévision de séries temporelles

Décompose les séries temporelles et ajuste les modèles ARIMA et de lissage exponentiel. Étend la modélisation prédictive aux structures de données temporelles ordonnées.