Formation Big Data Analytics avec R

1/ Introduction générale

• Présentation du logiciel R

• Installation du logiciel R et packages

2/ Types de données dans R

• Manipulations de scalaires (réels)

• Manipulations de nombres complexes

• Manipulations de variables

• Manipulations de vecteurs

• Manipulations de matrices

• Manipulations de textes

• Manipulations de dates et de durées

3/ Les bases d'utilisation du logiciel R

• Importation et exportation de données

• Manipulation de données

• Tracer des courbes et des graphiques

4/ Analyse en composantes

• Analyse en Composantes Principales

• Analyse du nuage des individus

• Propriétés des composantes principales

• Analyse du nuage des variables

• Interprétation des résultats

• Analyse des correspondances

• Nuages des profils-lignes et des profils-colonnes, la distance du khi-deux

• Analyse des nuages des profils

• Liens entre les analyses

• Interprétation des résultats

• Analyse des Correspondances Multiples

• Analyse des correspondances sur le tableau disjonctif complet

• Propriétés de l’ACM

• Analyse du tableau de Burt

• Analyse Factorielle pour Données Mixtes

• Classification

• Classification ascendante hiérarchique : principe, stratégies d’agrégation, aides à l’interprétation

• Méthodes de partitionnement : les méthodes des centres mobiles, les nuées dynamiques

• Classification mixte

5/ La modélisation

• Construction d'un modèle (étapes)

• Algorithmes supervisés et non supervisés

• La régression ou la classification

6/ Procédures d'évaluation de modèles

• Les techniques de ré-échantillonnage

• Test de représentativité des données d'apprentissage

• Mesures de performance des modèles prédictifs

• Matrice de confusion, de coût et la courbe ROC et AUC

7/ Les algorithmes non supervisés

• Le clustering hiérarchique

• Le clustering non hiérarchique

• Les approches mixtes

8/ Les algorithmes supervisés

• Le principe de régression linéaire univariée

• La régression multivariée

• La régression polynomiale

• La régression régularisée

• Le Naive Bayes

• La régression logistique

9/ Analyse de données textuelles

• Collecte et prétraitement des données textuelles

• Extraction d'entités primaires, d'entités nommées et résolution référentielle

• Étiquetage grammatical, analyse syntaxique, analyse sémantique

• Lemmatisation

• Représentation vectorielle des textes

• Pondération TF-IDF

• Word2Vec