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 codage défensif 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 return. Favorise une conception de code modulaire appliquée dans chaque chapitre suivant.

Leçon 4 • Variables et types de données

Déclarez des variables et travaillez avec les types numériques, caractères, logiques et complexes dans les deux langages. Développe la connaissance des types nécessaire pour toutes les manipulations de données ultérieures.

Leçon 1 • Listes et tuples

Stockez des données hétérogènes dans les listes R et les 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 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 déduplication nécessaires dans les flux de travail de nettoyage de données.

Leçon 4 • DataFrames Pandas en Python

Construisez et manipulez les DataFrames Pandas en tant que structure tabulaire principale de Python. Reprend 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 de R base et des méthodes 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 les rapports et la visualisation.

Leçon 3 • Reformater les données : formats large et long

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

Leçon 4 • Importation et exportation de données

Lisez les 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 • Traçage 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 tracés R et Python. Garantit que les visuels répondent aux normes professionnelles de rapport et de publication.

Leçon 4 • Principes de visualisation et sélection de graphiques

Appliquez les principes d'encodage visuel pour choisir le graphique approprié 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 chi-deux et une ANOVA à l'aide de R et de scipy.stats en Python. Permet une comparaison formelle des groupes et des relations dans les données.

Leçon 2 • Distributions de probabilité

Échantillonnez et évaluez les distributions normale, binomiale et de Poisson en R et Python. Développe 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 d'échantillonnage dans les deux langages. Relie la théorie des probabilités à l'inférence pratique sur des ensembles de données réels.

Leçon 1 • Optimisation 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'apprentissage 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 les tâches de classification. Couvre les classifieurs les plus utilisés dans les flux de travail ML professionnels.

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

Structurez 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 suivantes.

Leçon 1 • R Markdown pour les rapports dynamiques

Combinez du code R, du texte narratif et des sorties dans un seul document R Markdown. Permet aux analystes de livrer des rapports reproductibles en HTML, PDF et Word.

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

Appelez Python depuis 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 langages.

Leçon 3 • Organisation de projet et meilleures pratiques

Structurez les projets R et Python avec des dispositions de dossiers, des conventions de nommage et des fichiers README cohérents. Garantit 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 des sorties riches. Fournit l'équivalent Python de R Markdown pour les documents analytiques partageables.