Apprendre la data science par la pratique avec Python !
Apprendre la data science par la pratique avec Python !
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, cette formation en vidéo est un concentré de tout ça !
Au programme de cette formation Apprendre la Data Science avec R de A à Z
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 !
Qu’allez-vous apprendre dans ce cours ?
Plan de cours
Chapitre 1
Introduction et mise en place du cours
Introduction et mise en place du cours
Chapitre 2
Débuter avec R
Débuter avec R
Chapitre 3
Les matrices en R
Les matrices en R
Chapitre 4
Les dataframes en R
Les dataframes en R
Chapitre 5
Les bases de la programmation en R
Les bases de la programmation en R
Chapitre 6
Manipulation avancée des données
Manipulation avancée des données
Chapitre 7
Visualisation avancée des données
Visualisation avancée des données
Plan détaillé du cours
Chapitre 1 : Introduction et mise en place du cours
17m35
Leçon 1Installation de R et Rstudio (Windows, Mac, Linux)
Leçon 2Découverte de l'interface Rstudio
Leçon 3Création d'un projet sous Rstudio
Leçon 4Installation des packages R essentiels pour la Data Science
Chapitre 2 : Débuter avec R
51m04
Leçon 1Les types de données (character, int, double, booléens, données manquantes)
Leçon 2Les variables
Leçon 3Les opérateurs arithmétiques
Leçon 4Les vecteurs
Leçon 5Opérations sur les vecteurs
Leçon 6Manipuler les vecteurs grâce aux indexs
Leçon 7Qu'est-ce qu'une fonction en R?
Leçon 8Utiliser les fonctions fournis par R
Leçon 9Qu'est-ce qu'un package R?
Leçon 10Savoir utiliser l'aide de R
Leçon 11Exercice : manipuler un vecteur contenant les moyennes d'une classe de 20 élèves
Chapitre 3 : Les matrices en R
39m28
Leçon 1Qu'est-ce qu'une matrice en R?
Leçon 2Colnames() et rownames()
Leçon 3Accéder aux éléments d'une matrice
Leçon 4Modifier une matrice
Leçon 5Opérations sur les matrices
Leçon 6Exercice : manipuler une matrice
Chapitre 4 : Les dataframes en R
51m31
Leçon 1Qu'est-ce qu'un dataframe en R?
Leçon 2Colnames() et rownames()
Leçon 3Importation de données
Leçon 4Exportation de données
Leçon 5Accéder aux éléments d'un dataframe
Leçon 6Créer un sous-ensemble à partir d'un dataframe
Leçon 7Exercice: manipuler les dataframes
Chapitre 5 : Les bases de la programmation en R
51m42
Leçon 1Les opérateurs logiques
Leçon 2Les instructions de condition (if .. else)
Leçon 3Les instructions de boucles (for)
Leçon 4Les instructions de boucles (while)
Leçon 5Exercice sur les instructions de condition et les boucles
Leçon 6Comment créer sa propre fonction en R?
Chapitre 6 : Manipulation avancée des données
1h35
Leçon 1Apply()
Leçon 2Aggregate() et by()
Leçon 3Dplyr : les tibbles
Leçon 4Dplyr : select()
Leçon 5Dplyr : filter()
Leçon 6Dplyr : l'opérateur pipe (%>%)
Leçon 7Dplyr : arrange()
Leçon 8Dplyr : summarise()
Leçon 9Dplyr : group_by()
Leçon 10Dplyr : mutate()
Leçon 11Exercice : explorer les données de l'ensemble des fast-foods aux USA
Chapitre 7 : Visualisation avancée des données
1h50
Leçon 1Créer son premier graphique avec la fonction plot()
Leçon 2Créer des graphiques plus élaborés avec ggplot2
Leçon 3Ggplot2 : Les couleurs, les formes et les tailles
Leçon 4Ggplot2 : La légende (introduction aux thèmes)
Leçon 5Ggplot2 : Axes et titres
Leçon 6Ggplot2 : Combiner plusieurs graphes (facet)
Leçon 7Ggplot2 : Ajouter des annotations aux graphiques
Leçon 8Ggplot2 : Les différents types de graphes(geoms)
Leçon 9Exercice : visualisation des données de l'ensemble des fast-foods aux USA
Leçon 10BONUS : rendre votre graphique interactif avec Plotly
Chapitre 8 : Cas pratique de Data Science : appliquer des algorithmes de Machine Learning
1h08
Leçon 1Qu'est-ce que l'apprentissage automatique (Machine Learning)?
Leçon 2Données : prédire la souscription d'un client à un produit bancaire
Leçon 3Visualisation des données avec ggplot2
Leçon 4Création d'un jeu de données test et d'entrainement
Leçon 5Traitement des classes déséquilibrées et normalisation
Leçon 6Entrainer un modèle avec Caret : méthode Naïve Bayes
Leçon 7Entrainer un modèle avec Caret : méthode SVM (Support Vector Machine)
Leçon 8Trouver les variables prédictives les plus importantes
Avis des apprenants