Data R programming/posit - de zéro à héros

- Maîtriser les bases du langage R et son environnement de développement pour l'analyse de données. - Appliquer des techniques avancées de manipulation et d'exploration de données avec dplyr et ggplot2. - Réaliser des analyses statistiques et appliquer des modèles de machine learning pour extraire des insights pertinents. - Créer des rapports d'analyse dynamiques et interactifs avec RMarkdown. Compétences à Acquérir : - Manipulation efficace des données pour préparation et analyse. - Visualisation avancée des données pour une communication claire des résultats. - Application de statistiques et machine learning pour l'interprétation des données. - Production de rapports et présentations professionnels avec RMarkdown. Connaissances Spécifiques : - Syntaxe et structures de données spécifiques à R. - Techniques de visualisation des données et principes de design graphique. - Fondamentaux statistiques et modèles prédictifs en machine learning. - Principes de rédaction et mise en forme de documents analytiques avec RMarkdown. Aptitudes Développées : - Résolution de problèmes et pensée critique appliquées à l'analyse de données. - Capacité à communiquer des résultats d'analyse de manière efficace à un public varié. - Autonomie dans la gestion de projets d'analyse de données de bout en bout.

Jour 1 : Introduction au Langage R et Fondamentaux - Installation de R et configuration de l'environnement de développement RStudio. - Présentation de la syntaxe de base de R, types de données, et structures de contrôle. - Importation et manipulation basique des données avec dplyr et tidyr. Jour 2 : Exploration et Visualisation des Données - Techniques avancées de manipulation de données avec dplyr. - Introduction à la visualisation avec ggplot2. - Exploration de données : statistiques descriptives, filtrage, et agrégation. Jour 3 : Analyse Statistique avec R - Concepts statistiques de base et tests statistiques avec R. - Modélisation linéaire et non-linéaire. - Techniques de réduction de dimensionnalité (ex : PCA). Jour 4 : Machine Learning avec R - Introduction aux concepts de machine learning. - Mise en oeuvre de modèles de régression et de classification. - Évaluation des modèles et sélection de variables. Jour 5 : Projet Pratique et Rapport avec RMarkdown - Application des compétences à un projet d'analyse de données complet. - Utilisation de RMarkdown pour la création de rapports d'analyse dynamiques. - Présentation des projets et feedback.

Attestation de suivi de présence

Aucun.