R programmation Niveau 3, La data science avec R et Shiny
Objectifs
- L’objectif de cette formation est d’aller plus loin dans l’utilisation de R : Machine learning et deep learning
- Cette formation permettra également de comprendre l’utilisation de données non structurées sous R et de mettre en place une application complète avec R Shiny
Programme
La machine learning et le deep learning sous R
- Introduction : data mining vs machine learning vs deep learning
- Spark (Principes de Spark, Utilisation de SparkR, Sparkling Water : R + H20, Cas pratique)
- Deep learning (Principe des machines de Bolzmann, Comparaison des packages de deep learning : H20, MXNet, darch, deepnet, Cas pratique)
- Mise en place d’un projet de machine learning
Les données non structurées sous R
- Introduction : quels besoins de données non structurées
- Le textmining (principe du text mining, lemmatisation, stemmatisation, snowball, traitement du langage naturel, topic modelling, analyses de sentiments : utilisation de tm, NLP, DTM, snowballC, lsa, maxent, …)
- Les autres données non structurées : sons, images, vidéo sous R ; utilisation des packages magick, EBImage, videoplayR
- Cas pratique
R Shiny
- Introduction : Importance de la qualité des dataviz
- La dataviz dans R Principe de R shiny : présentation du packaage, principe de la programmation client/serveur, les fichiers « ui.R » et « server.R » , lancement en local
- Construction de scripts Shiny, création de widget et d’interface dynamique, design
- Construction des graphiques (tableaux, carte …) : utilisation de « leaflet », « DT », …
- Gestion dynamique des données
- Construction d’une application web
MOYENS PÉDAGOGIQUES ET TECHNIQUES D’ENCADREMENT DES FORMATIONS
Modalités pédagogiques :
- Évaluation des besoins et du profil des participants.
- Apport théorique et méthodologique : séquences pédagogiques regroupées en différents modules.
- Contenus des programmes adaptés en fonction des besoins identifiés pendant la formation.
- Le formateur évalue la progression pédagogique du participant tout au long de la formation au moyen de travaux pratiques, étude de cas et mise en situation.
- Méthodes expositive, active et participative.
- Réflexion et échanges sur cas pratiques.
- Retours d'expériences.
- Corrections appropriées et contrôles des connaissances à chaque étape, fonction du rythme de l’apprenant mais également des exigences requises au titre de la formation souscrite.
Éléments matériels :
- Mise à disposition des outils nécessaires au bon déroulement des travaux pratiques.
- Support de cours au format numérique projeté sur écran et transmis au participant en fin de la formation.
Référent pédagogique et formateur :
- Chaque formation est sous la responsabilité du directeur pédagogique de l’organisme de formation.
- Le bon déroulement est assuré par le formateur désigné par l’organisme de formation.
MOYENS PERMETTANT LE SUIVI ET L’APPRÉCIATION DES RÉSULTATS
- Feuilles de présences signées des participants et du formateur par demi-journée.
- Attestation de fin de formation mentionnant les objectifs, la nature et la durée de l’action et les résultats de l’évaluation des acquis de la formation.
Please login to get access to the quiz
Back to Data Science
