Formation Data Science et Machine Learning avec R
Statistiques descriptives, prédictives ou exploratoires, la Data Science repose sur la maîtrise de diverses techniques pour l'exploration des données. Cette formation vous permettra d'appréhender leur utilisation et de comprendre le principe de modélisation statistique. Les stagiaires seront en mesure de faire un choix entre régression et classification, ainsi que d'évaluer la performance d'un modèle.
Proposé par
Sparks
Objectifs pédagogiques
- Utiliser les spécificités du langage R pour l'exploration des données
- Réaliser des analyses en composantes, des modélisations
- Maîtriser les algorithmes supervisés et non-supervisés
- Connaître les procédures d'évaluation de modèles
- Pouvoir réaliser une analyse de données textuelles
Programme de la formation
Introduction à la formation et rappels sur le langage R
Les types de données dans R
Importation-exportation de données
Techniques pour tracer des courbes et des graphiques
Analyse en composantes
Analyse en Composantes Principales
Analyse Factorielle des Correspondances
Analyse des Correspondances Multiple
Exercices
Modélisation
Les algorithmes supervisés et non supervisés
Le choix entre la régression et la classification
Les étapes de construction d’un modèle
Algorithmes non supervisés
Le clustering hiérarchique
Le clustering non hiérarchique
Les approches mixtes
Exercices
Algorithmes supervisés
Le principe de régression linéaire univariée
La régression multivariée
La régression polynomiale
La régression logistique
Le Naive Bayes
L’arbre de décision
Les K plus proches voisins
Exercices
Procédures d’évaluation de modèles
Les techniques de ré-échantillonnage en jeu d’apprentissage, de validation et de test
Mesures de performance des modèles prédictifs
Matrice de confusion, de coût et la courbe ROC et AUC
Exercices
Analyse de données textuelles
Quelques packages utiles
Cas de la régression linéaire multiple
Cas de l’analyse en composantes principales ACP
Cas de la classification CAH
Proposé par
Sparks
"Tout l'IT, vraiment tout"
Proposé par
Sparks
