Langage R : Fondamentaux + Data Science

Développeurs

Notions d'algorithmique

Découvrir le langage R et son écosystème pour la data science.
Apprendre à écrire du code structuré, lisible et maintenable en R.
Importer, nettoyer et préparer des données issues de multiples sources.
Maîtriser la manipulation de données avec le tidyverse et les pipelines.
Créer des visualisations statiques et interactives impactantes.
Produire des documents reproductibles pour le reporting.
Réaliser des analyses statistiques descriptives et inférentielles.
S’initier à la modélisation statistique et au machine learning avec R.

Introduction à R et à son écosystème

Présentation de R et usages

Statistique, data science, visualisation
Exemples de secteurs
Écosystème R
CRAN
Packages : définition, installation, gestion
Atelier : installation et chargement de packages
RStudio et organisation de projet
Création de projets
Organisation des répertoires, chemins relatifs

Atelier : créer un projet RStudio

Écrire du code en R
Vecteurs
Listes
Data frames
Matrices
Facteurs

Atelier : création et manipulation de chaque type

Programmation en R : structures, fonctions et bonnes pratiques

Normes de codage
Nommage, commentaires
Organisation des scripts
Structures de contrôle
Conditionnelles : if, else
Boucles : for, while, repeat
apply, lapply, map

Atelier : écrire des structures conditionnelles et des boucles

Création de fonctions

Syntaxe de base
Arguments, valeurs de retour
Fonctions anonymes
Bonnes pratiques

Atelier : automatiser des analyses avec ses propres fonctions

Importation et préparation des données

Techniques d’importation

Formats : .csv, .txt, .xls(x), .sav, JSON
Packages : readr, readxl, haven, jsonlite
Connexions bases de données : DBI, dbplyr
Encodage, séparateur, gestion des NA

Atelier pratique : importer différents formats

Introduction au tidyverse 

Notion de pipeline 
Manipulation avec dplyr et tidyr
Filtrer, sélectionner, trier
Créer des variables
Fusionner, joindre
Reshaping : pivot_longer, pivot_wider
Gestion des valeurs manquantes

Atelier : pipeline complet avec dplyr et tidyr

Visualisation et reporting avec R

Principes de la data visualisation

Importance exploratoire
Types de graphiques adaptés

Introduction à ggplot2

Syntaxe de base
Histogrammes, boxplots, scatterplots, bar charts
Facets et thèmes

Atelier pratique: graphiques statiques

Visualisations interactives

plotly pour ggplot
Cartes interactives avec leaflet (optionnel)

Atelier pratique : transformer un ggplot en interactif

Production de documents

RMarkdown, Quarto, Notebooks
Avantages et usages
Atelier : création d’un document reproductible
Gestion de versions avec Git
Intégration RStudio
Initialisation, commits

Atelier pratique : prise en main de Git avec RStudio

Analyse statistique et Machine Learning avec R

Statistiques descriptives

Moyenne, médiane, écart-type
Résumés, quantiles, tableaux de fréquence

Atelier  pratique: résumer un dataset

Tests d’hypothèses

t-tests, ANOVA, chi-deux
Corrélations : Pearson, Spearman
Packages : base R, broom

Atelier pratique : réaliser et interpréter des tests

Modélisation supervisée

Régressions linéaire et logistique
Analyse des résidus
Visualisation des résultats

Atelier : ajuster et interpréter des modèles

Analyse multivariée : ACP, AFC (FactoMineR, factoextra)

Atelier pratique : réaliser une ACP

Apprentissage non supervisé

K-means clustering
Préparation des données, choix du k
Visualisation des clusters

Atelier pratique : segmentation (identifier des sous-populations aux caractéristiques similaires)

Introduction aux séries temporelles

Composantes d’une série
Modèles ARIMA, SARIMA (forecast)
Visualisation des prévisions

Active Learning

contrôle continu ou certification si prévue dans le financement

Support de cours + sources des exercices