Data Science

Objectifs

• Le logiciel Open Source R propose une palette complète de modules permettant de couvrir la plupart des besoins en Data science
• Lors de la formation R niveau 1, nous avons abordé l’analyse de données sous R
• Cette seconde formation de trois jours vous permettra d’intégrer le logiciel R dans votre environnement et de l’utiliser comme une solution Data science la plus exhaustive possible en fonction de vos besoins

Programme

Rappels sur R

• Principe et Apports des techniques de Prévision
• Exemples d’application dans différents secteurs d’activités
• Les différents types de données pouvant être prises en compte dans les Prévisions pour augmenter la précision

La data science sous R

• Introduction : Différence entre machine learning et data mining
• Les différentes étapes d’un projet Datamining

Mise en place d’un projet data mining sous R et R studio

• Les données sous R : génération, importation (texte, dbf, excel, SAS, SPSS, mySQL, ODBC, …), manipulation (calculs simples et matriciels, découpages en classes, tri, …)
• Analyse exploratoire sous R : tableaux croisés, statistiques de bases, fonctions graphiques
• La modélisation sous R (avec utilisation de Rattle) : les régressions (dont logistiques), la segmentation, l’analyse d’associations, les arbres de décisions, l'algorithme génétique
• La validation : critères AIC, courbe de LIFT, de ROC …
• L’utilisation des modèles
• Mise en place de machine learning sous R : méthodes de boosting dont random forest, réseaux de neurones, SVM, …

Cas pratique

• Rappels sur le Scoring notamment sur le score d’appétence
• Contexte métier du projet
• Utilisation de R pour construire le score
• Définition de Best Practices