1

Rappels au langage R

• Les types de données dans R.
• Importation-exportation de données.
• Techniques pour tracer des courbes et des graphiques.

2

Analyse en composantes

• Analyse en Composantes Principales.
• Analyse Factorielle des Correspondances.
• Analyse des Correspondances Multiples.
• Analyse Factorielle pour Données Mixtes.
• Classification Hiérarchique sur Composantes Principales.

3

La modélisation

• Les étapes de construction d'un modèle.
• Les algorithmes supervisés et non supervisés.
• Le choix entre la régression et la classification.

4

Procédures d'évaluation de modèles

• Les techniques de ré-échantillonnage en jeu d'apprentissage, de validation et de test.
• Test de représentativité des données d'apprentissage.
• Mesures de performance des modèles prédictifs.
• Matrice de confusion, de coût et la courbe ROC et AUC.

5

Les algorithmes non supervisés

• Le clustering hiérarchique.
• Le clustering non hiérarchique.
• Les approches mixtes.

6

Les algorithmes supervisés

• Le principe de régression linéaire univariée.
• La régression multivariée.
• La régression polynomiale.
• La régression régularisée.
• Le Naive Bayes.
• La régression logistique.

7

Analyse de données textuelles

• Collecte et prétraitement des données textuelles.
• Extraction d'entités primaires, d'entités nommées et résolution référentielle.
• Étiquetage grammatical, analyse syntaxique, analyse sémantique.
• Lemmatisation. Représentation vectorielle des textes. Pondération TF-IDF.