Formation R Studio – Analyses de données
APPRENDRE A CODER AVEC R STUDIO
Présentation de méthodes statistiques adaptées à la valorisation de vastes ensembles de données issues d’enquêtes ponctuelles ou d’exploitations de bases de données ; l’accent est mis sur les procédures de type Data Mining permettant de synthétiser, de la manière la plus objective possible, les données à analyser.
Prochaine session
Apprendre à coder avec R Studio
Présentation de méthodes statistiques adaptées à la valorisation de vastes ensembles de données issues d’enquêtes ponctuelles ou d’exploitations de bases de données ; l’accent est mis sur les procédures de type Data Mining permettant de synthétiser, de la manière la plus objective possible, les données à analyser.
Apprendre à coder avec R Studio
Présentation de méthodes statistiques adaptées à la valorisation de vastes ensembles de données issues d’enquêtes ponctuelles ou d’exploitations de bases de données ; l’accent est mis sur les procédures de type Data Mining permettant de synthétiser, de la manière la plus objective possible, les données à analyser.
Apprendre à coder avec R Studio
Présentation de méthodes statistiques adaptées à la valorisation de vastes ensembles de données issues d’enquêtes ponctuelles ou d’exploitations de bases de données ; l’accent est mis sur les procédures de type Data Mining permettant de synthétiser, de la manière la plus objective possible, les données à analyser.
Informations session
Programme
Panorama des principales méthodes en Data Mining
Les statistiques descriptives
Analyse en Composantes Principales (ACP)
Analyse des Correspondances Multiples (ACM)
- Ces deux méthodes décrivent une population sur un ensemble de variables et définissent des variables synthétiques qui discriminent de façon optimale les individus constituant cette population.
Classification par analyse typologique (CAH)
- Des classes d’individus sont formées, de manière à ce que les individus d’une même classe soient les plus ressemblants possible sur un certain nombre de variables et que les classes construites soient les plus différentes possible .
Segmentation par arbre (CART et Random Forest)
- Les arbres de décision (régression) permettent de caractériser les classes (variations) d’une variable à expliquer et de la prédire pour de nouvelles observations. La méthode des forêts aléatoires permet de hiérarchiser l’importance des variables explicatives.
Tarifs
A partir du 2ème inscrit : -10%
CPF – Voir Appli Mon Compte Formation
IASSC – Centre de certification Leader
Certification Reconnue par l’Etat
Classe virtuelle Blended Learning
Inter-Intra entreprise
Sur mesure
