Science des données au féminin en Afrique

Titre du cours : R~Statistiques
Professeur : Thierry Warin, PhD

Description du cours :
Ce cours approfondit l'analyse statistique avec R, mettant l'accent sur l'analyse exploratoire des données, les techniques de régression et l'analyse des données de panel. Il vise à doter les étudiants de compétences pratiques pour la manipulation de données et la modélisation statistique avec R.

Structure du cours :

1. Séance 1 : Introduction générale

   • Présentation du cours, introduction à R et aux concepts d'analyse de données.

2. Séance 2 : Analyse exploratoire des données 1/2

   • Techniques fondamentales d'analyse exploratoire, exercices pratiques et devoirs.

3. Séance 3 : Analyse exploratoire des données 2/2 & Régression linéaire

   • Approfondissement de l'analyse exploratoire et introduction à la régression linéaire, avec des travaux pratiques.

4. Séance 4 : Discussion sur les projets

   • Session interactive axée sur les projets étudiants et l'application des concepts appris.

5. Séance 5 : Régression logistique & Données de panel et autres considérations

   • Exploration de la régression logistique et de l'analyse des données de panel, incluant des exercices pratiques.

6. Séance 6 : Discussion sur les projets & Conclusion

   • Présentation finale des projets et conclusion du cours.

Évaluation :
Basée sur les devoirs, les présentations de projets et la participation active aux discussions.

Ressources :
Le cours offrira diverses ressources incluant des vidéos, des présentations interactives et des lectures recommandées.

Titre du cours : Apprentissage automatique avancé avec R

Professeur: Thierry Warin, PhD

Description du cours :
Ce cours avancé sur l'apprentissage automatique avec R vise à approfondir les connaissances et compétences dans des techniques sophistiquées telles que l'apprentissage profond, l'optimisation des modèles et les réseaux neuronaux.

Structure du cours :

1. Séance 1: Introduction à la modélisation et aux outils de base

• Introduction générale : Objectifs du cours, présentation du syllabus, importance de la modélisation en science des données.
• Logiciel pour la modélisation : Présentation des logiciels utilisés dans le cours, focus sur R.
• A Tidyverse Primer : Introduction aux packages du Tidyverse utilisés pour la manipulation de données.

2. Séance 2: Fondamentaux de la modélisation avec R

• Révision des fondamentaux de la modélisation avec R : Concepts de base de la modélisation statistique et préparation des données.
• The Ames Housing Data : Exploration et préparation d'un jeu de données réel pour la modélisation.
• Spending our Data : Techniques de gestion des données pour la modélisation.

3. Séance 3: Construction et évaluation de modèles de base

• Fitting Models with parsnip : Introduction à parsnip pour l'ajustement des modèles.
• A Model Workflow : Création d'un flux de travail de modélisation répétable.
• Feature Engineering with recipes : Utilisation de recipes pour l'ingénierie des caractéristiques.

4. Séance 4: Techniques avancées pour l'évaluation des modèles

• Resampling for Evaluating Performance : Techniques de rééchantillonnage pour l'évaluation des modèles.
• Comparing Models with Resampling : Comparaison de différents modèles via le rééchantillonnage.
• Model Tuning and the Dangers of Overfitting : Ajustement des modèles et sensibilisation au surajustement.

5. Séance 5: Recherche et sélection de modèles

• Grid Search and Iterative Search : Techniques de recherche exhaustive et itérative pour l'optimisation des hyperparamètres.
• Screening Many Models : Évaluation et sélection parmi un large éventail de modèles.

6. Séance 6: Au-delà des fondamentaux de la modélisation

• Dimensionality Reduction, Encoding Categorical Data : Techniques de réduction de dimensionnalité et d'encodage des données catégorielles.
• Explaining Models and Predictions : Méthodes pour expliquer les modèles et les prédictions.
• Trust, Ensembles, and Inferential Analysis : Quand faire confiance aux prédictions, utilisation des modèles ensembles et analyse inférentielle.

Évaluation :
Basée sur les travaux pratiques, un projet final, et la participation en classe.

Ressources :
Le cours inclura des ressources variées telles que des lectures, des vidéos et des présentations interactives.

Le cours 3 est un pré-requis.

Analyse des réseaux avec R

Objectifs du cours :

• Comprendre les concepts fondamentaux de l'analyse des réseaux.
• Apprendre à utiliser le langage R pour l'analyse et la visualisation des réseaux.
• Explorer des applications pratiques de l'analyse des réseaux dans divers domaines.

Contenu du cours :

1. Introduction à l'analyse des réseaux :

• Définition et importance de l'analyse des réseaux.
• Concepts clés : nœuds, liens, degrés, centralité, etc.
• Exemples de réseaux dans différents contextes (social, biologique, technologique).

2. Fondamentaux de R pour l'analyse des réseaux :

• Introduction au langage R et aux packages de base.
• Packages spécifiques pour l'analyse des réseaux : igraph, network, tidygraph, ggraph.
• Installation et configuration de l'environnement de travail R.

3. Manipulation et visualisation des réseaux avec R :

• Création et manipulation des objets de réseau.
• Calcul des mesures de réseau (centralité, distance, cliques, etc.).
• Techniques de visualisation des réseaux avec ggraph et autres outils.

4. Applications pratiques de l'analyse des réseaux :

• Analyse des réseaux sociaux : structure des réseaux, influence et diffusion de l'information.
• Réseaux biologiques : analyse des interactions protéiques, réseaux de gènes.
• Réseaux technologiques : analyse des réseaux de communication, infrastructures technologiques.

5. Études de cas et projets pratiques : 

• Analyse détaillée de cas d'études réels.
• Développement de projets en groupe utilisant des données réelles.
• Présentation et discussion des résultats.

6. Outils avancés et extensions : 

• Utilisation de R pour des analyses de réseaux dynamiques.
• Intégration avec d'autres outils et langages (Python, Gephi, etc.). 
• Exploration des tendances et avancées récentes dans l'analyse des réseaux.

Méthodologie :

• Cours magistraux : Présentations et discussions dirigées par des experts en analyse des réseaux.
• Travaux pratiques : Sessions de laboratoire pour expérimenter avec R et les packages d'analyse des réseaux.
• Études de cas : Analyse approfondie de projets réels utilisant l'analyse des réseaux.
• Projets en groupe : Développement de solutions pratiques en équipe, avec des présentations finales.

Ressources :

• Lectures recommandées : Articles académiques, livres et manuels sur l'analyse des réseaux et R.
• Outils et logiciels : Accès aux packages R et autres outils nécessaires pour l'analyse des réseaux.
• Invités spéciaux : Conférences et discussions avec des professionnels et chercheurs en analyse des réseaux.

Ce cours vise à fournir aux étudiantes une compréhension approfondie de l'analyse des réseaux et des compétences pratiques en utilisant R pour explorer et visualiser des réseaux complexes.