Cours de statistiques avec R

Leçon 1 • Installation et configuration de R et RStudio

Aborde l'installation de R et RStudio, la disposition des volets et les options globales. Établit l'espace de travail dont dépend chaque chapitre suivant.

Leçon 2 • Syntaxe et opérateurs fondamentaux de R

Présente les opérateurs d'affectation, arithmétiques, logiques et de comparaison. Fournit la base syntaxique pour toutes les tâches de script à venir.

Leçon 3 • Structures de contrôle et fonctions

Enseigne l'utilisation de if-else, les boucles for et while, et la création de fonctions personnalisées. Permet aux étudiants d'écrire des blocs de code réutilisables basés sur la logique.

Leçon 4 • Types et structures de données en R

Explique les vecteurs, matrices, listes et data frames avec les règles de coercition de type. Les étudiants acquièrent le vocabulaire structurel nécessaire à l'analyse de données.

Leçon 1 • Restructuration des données avec tidyr

Aborde pivot_longer, pivot_wider, separate et unite pour la restructuration. Permet d'appliquer les principes des données ordonnées essentiels à la modélisation et à la visualisation.

Leçon 2 • Importation de données à partir de multiples sources

Aborde l'import de fichiers CSV, Excel, JSON et de bases de données à l'aide des paquets de base et de tidyverse. Connecte l'accès aux données brutes aux flux de nettoyage en aval.

Leçon 3 • Manipulation de données avec dplyr

Applique les opérateurs filter, select, mutate, group_by et summarize pour transformer les données. Construit l'ensemble de compétences fondamentales de manipulation avec tidyverse.

Leçon 4 • Gestion des données manquantes et incohérentes

Enseigne la détection des NA, les stratégies d'imputation et la suppression des doublons. Réduit directement les problèmes de qualité des données avant le début de l'analyse.

Leçon 1 • AED avec R de base et aperçus de ggplot2

Utilise hist(), boxplot() et des appels de base à ggplot2 pour visualiser rapidement les distributions. Fait le lien entre les résultats de l'AED et le chapitre complet sur la visualisation à venir.

Leçon 2 • Analyse de distribution univariée

Examine la tendance centrale, la dispersion et la forme pour une seule variable. Établit une compréhension de base de chaque variable avant le travail multivarié.

Leçon 3 • Détection et traitement des valeurs aberrantes

Applique les méthodes basées sur l'IQR, le score z et les méthodes robustes pour identifier et traiter les valeurs aberrantes. Empêche les valeurs extrêmes de fausser les modèles statistiques ultérieurs.

Leçon 4 • Relations bivariées et multivariées

Explore les corrélations, les tableaux croisés et la covariance entre paires de variables. Identifie les prédicteurs candidats pour les chapitres de modélisation ultérieurs.

Leçon 1 • Fondamentaux de la grammaire des graphiques

Explique les esthétiques, les géométries et les couches comme éléments de base de ggplot2. Fournit le modèle conceptuel sous-jacent à chaque graphique de ce chapitre.

Leçon 2 • Exportation et intégration de visualisations

Sauvegarde des graphiques aux formats matriciels et vectoriels et leur intégration dans des rapports. Garantit que les graphiques sont reproductibles et prêts pour la publication ou la présentation.

Leçon 3 • Types de graphiques courants et cas d'utilisation

Aborde les diagrammes en barres, en lignes, les nuages de points, les histogrammes et les boîtes à moustaches avec des contextes de données appropriés. Équipe les étudiants pour choisir le bon graphique pour chaque question analytique.

Leçon 4 • Thèmes, couleurs et annotations

Personnalise l'apparence des graphiques avec des thèmes, des palettes de couleurs et des annotations textuelles. Produit des graphiques répondant aux normes professionnelles et d'accessibilité.

Leçon 1 • Distributions de probabilité dans R

Aborde les lois normale, binomiale, de Poisson et de Student à l'aide des fonctions d, p, q, r. Construit la base probabiliste nécessaire à toutes les méthodes d'inférence.

Leçon 2 • Cadre du test d'hypothèse

Établit les hypothèses nulle et alternative, les p-valeurs et les erreurs de type I et II. Fournit la logique décisionnelle appliquée dans chaque test ultérieur.

Leçon 3 • Échantillonnage, estimation et intervalles de confiance

Explique les distributions d'échantillonnage, l'erreur standard et la construction des intervalles de confiance. Relie la probabilité théorique à l'estimation pratique des paramètres de la population.

Leçon 4 • Tests paramétriques : tests t et ANOVA

Applique les tests t à un échantillon, à deux échantillons, appariés et l'ANOVA à un facteur dans R. Aborde la vérification des hypothèses et les comparaisons post-hoc pour les différences entre groupes.

Leçon 1 • Comparaison et validation de modèles

Utilise des partitions entraînement-test, la validation croisée k-fold et les métriques RMSE/MAE pour valider les modèles. Construit des habitudes d'évaluation rigoureuses pour la modélisation prédictive.

Leçon 2 • Régression logistique pour les résultats binaires

Ajuste des modèles logistiques avec glm(), interprète les rapports de cotes (odds ratios) et évalue les performances de classification. Étend les compétences en régression aux variables de réponse catégorielles.

Leçon 3 • Sélection de variables et régularisation

Applique la sélection pas à pas, les critères AIC/BIC, et les régularisations ridge et lasso. Réduit le surapprentissage et identifie des ensembles de prédicteurs parcimonieux.

Leçon 4 • Régression linéaire simple et multiple

Ajuste des modèles de régression OLS avec un ou plusieurs prédicteurs à l'aide de lm(). Établit le flux de travail de modélisation central utilisé dans ce chapitre.

Leçon 1 • Analyse en composantes principales et analyse factorielle

Applique l'ACP et l'analyse factorielle exploratoire pour réduire la dimensionnalité et identifier la structure latente. Prépare les données de haute dimension pour la modélisation et l'interprétation.

Leçon 2 • Techniques d'analyse par regroupement

Implémente les regroupements k-means, hiérarchiques et basés sur la densité pour segmenter les observations. Permet la découverte non supervisée de structures dans des ensembles de données non étiquetés.

Leçon 3 • Extensions de l'analyse de la variance

Aborde l'ANOVA à deux facteurs, les effets d'interaction et l'ANOVA à mesures répétées. Étend les compétences en comparaison de groupes aux plans factoriels et longitudinaux.

Leçon 4 • Analyse des séries temporelles

Aborde la décomposition, le test de stationnarité, la modélisation ARIMA et les prévisions dans R. Traite des structures de données temporelles distinctes de l'analyse transversale.

Leçon 1 • Structure de projet et gestion des paquets

Organise les projets R avec des structures de dossiers cohérentes et renv pour le verrouillage des dépendances. Assure la portabilité et la reproductibilité dans différents environnements informatiques.

Leçon 2 • Contrôle de version avec Git et GitHub

Applique les commits, branches et pull requests Git à la gestion de projets R. Permet un développement collaboratif et traçable du code analytique.

Leçon 3 • Partage et publication de résultats analytiques

Déploie des rapports et des tableaux de bord via Quarto, Shiny et des plateformes d'hébergement publiques. Achève le pipeline allant des données brutes aux livrables accessibles et partageables.

Leçon 4 • Automatisation des flux de travail avec targets

Construit des pipelines conscients des dépendances à l'aide du paquet targets pour sauter les étapes à jour. Réduit le temps de recalcul dans les flux de travail analytiques volumineux et multi-étapes.