BL SET Formations en statistique

tests, régressions, apprentissage
logiciel R et Python

Tests et méthodes de régressions

Données assimilables à une loi normale, tests non paramétriques, tests exacts, modèle linéaire, modèle mixte

Analyses factorielles et apprentissage

classification, clustering, apprentissage supervisé et non supervisé, réduction de la dimensionnalité

Planification d'expériences et anova

Analyse de nonnées, datamining, modélisation complexe, big data, apprentissage supervisé

Méthode bayésienne

L’analyse bayésienne produit des résultats probabilistes clairs et directs sur les inconnues d’un problème. L’utilisateur doit spécifier une information a priori (avant d’avoir vu les données) pour faire fonctionner la méthode.

R et Python

Analyse de nonnées, datamining, modélisation complexe, big data, apprentissage supervisé

Formations au catalogue

Formations (liste non exhaustive) Obtenir un devis

Logiciel R initiation
Traiter des données, extraire et synthétiser des informations avec R

— se familiariser avec l’utilisation des scripts de traitements — construire un projet contenant des requêtes, des états statistiques et graphiques et des exports vers Excel ou d’autres fichiers. — effectuer des analyses statistiques usuelles — réaliser des graphiques

  • Présentation de R et de R studio
  • Langage R
  • Statistique descriptive
  • Quelques tests d'hypothèse sous R
  • Régression linéaire sous R
  • Traitement de données sous R
  • Graphiques

Logiciel R perfectionnement
Gagner en autonomie et en productivité

— comprendre, modifier et écrire le code pour les besoins les plus courants (manipulations de données, statistiques descriptives) mais aussi pour des requêtes avancées : calculs complexes, formules conditionnelles ; — réaliser facilement de nombreux calculs par groupe ; — automatiser une chaîne de traitement.

  • Applications avancées

Analyses factorielles
Synthétiser de grands ensembles de données

— savoir créer des typologies d’individus sur de nombreux critères — savoir analyser et simplifier un ensemble de p variables (p grand) — comprendre la géométrie des analyses factorielles — savoir interpréter les sorties logicielles des méthodes factorielles

Statistique bayésienne
Utiliser les équivalents bayésiens des tests statistiques classiques

— Connaître les cas où des solutions analytiques exactes sont utilisables — Savoir utiliser les packages R (RJAGS, Coda,..) — Savoir tester des hypothèses pour un équivalent bayésien des modèles usuels (régression, t-test, anova, régression logistique, tableau de contingence, . . . )