Data Science

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