Programmer en R pour la Data Science de A à Z
- Objectifs pédagogiques
- Sections du cours
- Avis
Ce cours est dédié à l’apprentissage de la programmation en R appliqué à la Data Science. Si vous avez envie d’apprendre à coder, d’apprendre à manipuler de la data ou les deux, alors n’hésitez pas, ce cours est un concentré de tout ça !
Ce cours de 8 heures vous permettra dans un premier temps d’acquérir les outils nécessaires pour coder en R et faire de la Data Science. Puis il enchaînera sur la partie théorique de la programmation en R, avec des exercices à chaque étape, afin de comprendre la théorie en pratiquant. Dans un troisième temps, vous apprendrez à manipuler et explorer/visualiser des données efficacement. Enfin, un cas pratique de Data Science viendra reprendre tout ces concepts pour les appliquer sur des données réelles en plus de vous apprendre à appliquer des algorithmes de Machine Learning sur vos données.
A la fin de ce cours, vous serez capable d’aller récupérer un jeu de données qui vous intéresse et de l’analyser de A à Z pour en sortir les informations qui vous intéresse.
J’espère que ce cours vous plaira, j’ajouterai d’avantage de cas pratiques au fur et à mesure pour le rendre encore plus complet qu’il ne l’est déjà. Le but de ce cours de Data Science est réellement de vous apprendre à programmer en R, de vous faire pratiquer afin de devenir totalement autonome pour analyser tous les jeux de données qui vous intéresse. Et je compte bien vous aider à chaque étape pour arriver à cette finalité !
Pourquoi utiliser R ?
J’ai choisi R pour la simple et bonne raison que c’est un des langages les plus utilisés en Data Science. De plus, c’est un langage que je maîtrise et qui a fait ses preuves pour résoudre tout mes problèmes d’analyse de données. Mais aussi parce que c’est un langage de programmation libre, intuitif et très bien documenté. Enfin, R est un langage extrêmement efficace pour effectuer des analyses statistiques et de l’exploration de données.
Je veux que ce cours soit le plus complet possible. Ainsi, n’hésitez surtout pas à me contacter si vous avez la moindre question ou la moindre remarque sur ce cours. C’est aussi grâce à vous que je pourrais l’améliorer et le faire évoluer. Mon objectif est réellement de vous aider à devenir un Data Scientist autonome et passionné !
Logo créé par Pikisuperstar – Freepik.com
-
5Les types de données (character, int, double, booléens, données manquantes)Leçon vidéo
-
6Les variablesLeçon vidéo
-
7Les opérateurs arithmétiquesLeçon vidéo
-
8Les vecteursLeçon vidéo
-
9Opérations sur les vecteursLeçon vidéo
-
10Manipuler les vecteurs grâce aux indexsLeçon vidéo
-
11Qu'est-ce qu'une fonction en R ?Leçon vidéo
-
12Utiliser les fonctions fournis par RLeçon vidéo
-
13Qu'est-ce qu'un package R ?Leçon vidéo
-
14Savoir utiliser l'aide de RLeçon vidéo
-
15Exercice : manipuler un vecteur contenant les moyennes d'une classe de 20 élèvesLeçon vidéo
-
16Qu'est ce qu'une matrice en R ?Leçon vidéo
Créer une matrice manuellement et expliquer
-
17colnames() et rownames()Leçon vidéo
-
18Accéder aux éléments d'une matriceLeçon vidéo
-
19Modifier une matriceLeçon vidéo
-
20Opérations sur les matricesLeçon vidéo
-
21Exercice : manipuler une matriceLeçon vidéo
-
22Qu'est ce qu'un dataframe en R ?Leçon vidéo
Une matrice améliorée
-
23colnames() et rownames()Leçon vidéo
-
24Importation de donnéesLeçon vidéo
-
25Exportation de donnéesLeçon vidéo
-
26Accéder aux éléments d'un dataframeLeçon vidéo
-
27Créer un sous-ensemble à partir d'un dataframeLeçon vidéo
-
28Exercice : manipuler les dataframesLeçon vidéo
-
29Les opérateurs logiquesLeçon vidéo
-
30Les instructions de condition (if ... else)Leçon vidéo
-
31Les instructions de boucles (for)Leçon vidéo
-
32Les instructions de boucles (while)Leçon vidéo
-
33Exercice sur les instructions de condition et les boucles en RLeçon vidéo
-
34Comment créer sa propre fonction en RLeçon vidéo
-
35apply()Leçon vidéo
-
36aggregate() et by()Leçon vidéo
-
37Dplyr : les tibblesLeçon vidéo
-
38Dplyr : select()Leçon vidéo
-
39Dplyr : filter()Leçon vidéo
-
40Dplyr : l'opérateur pipe (%>%)Leçon vidéo
-
41Dplyr : arrange()Leçon vidéo
-
42Dplyr : summarise()Leçon vidéo
-
43Dplyr : group_by()Leçon vidéo
-
44Dplyr : mutate()Leçon vidéo
-
45Exercice : explorer les données de l'ensemble des fast-foods aux USALeçon vidéo
-
46Créer son premier graphique avec la fonction plot()Leçon vidéo
-
47Créer des graphiques plus élaborés avec ggplot2Leçon vidéo
-
48ggplot2 : Les couleurs, les formes et les taillesLeçon vidéo
-
49ggplot2 : La légende (introduction des thèmes)Leçon vidéo
-
50ggplot2 : Axes et titresLeçon vidéo
-
51ggplot2 : Combiner plusieurs graphes (facet)Leçon vidéo
-
52ggplot2 : Ajouter des annotations au graphiqueLeçon vidéo
-
53ggplot2 : Les différents types de graphes (geoms)Leçon vidéo
-
54Exercice : visualisation des données de l'ensemble des fast-foods aux USALeçon vidéo
-
55BONUS : rendre votre graphique interactif avec PlotlyLeçon vidéo
-
56Qu'est ce que l'apprentissage automatique (machine learning) ?Leçon vidéo
-
57Données : prédire la souscription d'un client à un produit bancaireLeçon vidéo
-
58Visualisation des données avec ggplot2Leçon vidéo
-
59Création d'un jeu de données d'entrainement et de testLeçon vidéo
-
60Traitement des classes déséquilibrées et normalisationLeçon vidéo
-
61Entrainer un modèle avec Caret : méthode Naive BayesLeçon vidéo
-
62Entraîner un modèle avec Caret : méthode SVM (Support Vector Machine)Leçon vidéo
-
63Trouver les variables prédictives les plus importantesLeçon vidéo