Méthodes PLS

Objectifs Extraire l'information utile et pertinente d'un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d'un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes). Le but est l'exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,...) et la modélisation (pouvoir prédire et anticiper le comportement d'un processus industriel ou transactionnel). Compétences visées - Disposer d'une présentation de la méthode NIPALS et de ses particularités afin d'explorer, modéliser et prédire - Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en oeuvre de l'algorithme NIPALS - Découvrir les principes de la méthode de régression PLS avec l'algorithme NIPALS et ses avantages par rapports aux méthodes de régression classiques - Mettre en oeuvre une méthode de régression avec 1 variable dépendante (PLS1) et avec 2 variables dépendantes (PLS2) - Savoir utiliser l'analyse discriminante basée sur la régression PLS (PLSDA) - Examiner différents cas d'applications des méthodes PLS

- Méthode NIPALS (Non Iterative Partial Least Square) Présentation de la méthode NIPALS Particularités de cette méthode pour l'analyse des données Utilisation pour les différents outils de l'analyse des données selon les objectifs poursuivis Exploration Modélisation Prédiction - L'analyse en Composantes principales (A.C.P.) Particularités de l'ACP mise en oeuvre avec l'algorithme NIPALS Représentation géométrique Approche algébrique Mise en oeuvre Analyse Utilisation des aides à l'interprétation Exemples d'utilisation traités - La régression PLS Principes de la régression PLS avec l'algorithme NIPALS Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,...) Régression PLS1 Présentation de la PLS1 Construction d'un modèle PLS1 Les méthodes de validation internes ou croisées pour le choix du nombre de composantes Validation externe Les prévisions Présentation et utilisation des aides à l'interprétation Application sur divers exemples traités Régression PLS2 Présentation de la PLS2 Particularités de la PLS2 Conditions d'utilisation Construction d'un modèle PLS2 Les méthodes de validation internes ou croisées pour le choix du nombre de composantes Validation externe Les prévisions Présentation et utilisation des aides à l'interprétation Application sur divers exemples traités - L'analyse Discriminante Types de données et objectifs poursuivis Exploration et identification de groupes Affectation de nouveaux individus : prédiction Méthode SIMCA (Soft Independent Modeling of Class Analogy) Utilisation de l'ACP NIPALS pour l'identification de groupes Règles de discrimination : le Cooman's plot Mode d'affectation de nouveaux individus ou groupe d'individus Exploration et identification de groupes Application sur divers exemples La régression PLSDA (Discriminant Analysis) Présentation et particularités de la PLSDA Conditions d'utilisation Construction d'un modèle PLSDA Les méthodes de validation internes ou croisées pour le choix du nombre de composantes Validation externe Les prévisions Présentation et utilisation des aides à l'interprétation Application sur divers exemples traités - Applications Analyses de spectres Contrôle de procédés par lots (batch) Contrôle statistique multidimensionnel MSPC Introduction à l'analyse des données OMICS

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Pour suivre ce stage dans de bonnes conditions, il est recommande d avoir suivi en amont la formation Analyse des donnees : methodes exploratoires (ACP, AFC, classification).