Professionnels des bases de données, managers, analystes de données, data scientists et assistants à maîtrise d'ouvrage. Cette formation est très utile pour les professionnels chargés de gérer les prévisions et les tendances
Connaissances en matière de programmation et de statistiques sont utiles sans toutefois être obligatoires
Charger, interroger et manipuler des données avec RNettoyer les données brutes avant la modélisation Réduire les dimensions avec l'analyse en composantes principales (ACP)Développer les fonctionnalités de R avec les packages définis par l'utilisateur
Explorer les caractéristiques d'un ensemble de données à travers la visualisation Représentergraphiquement la distribution des données avec des boîtes à moustaches,des histogrammes et des diagrammes de densité Identifier les valeurs hors normes
Traitement préliminaire et préparation des données non structurées pour une analyse plus approfondie Décrire un ensemble de documents avec une matrice termes-documents
Examiner les architectures de MapReduce et Hadoop Intégrer R et Hadoop à RHadoop
Modéliser la relation entre une variable de sortie et plusieurs variables d'entréeInterpréter correctement les coefficients des données continues et qualitatives
Traiter les ensembles de données volumineux avec RHadoop Créer des modules de régression pour RHadoop
Utiliser des arbres de décision pour prédire les valeurs cible Appliquer des règles de probabilité pour prédire les résultats avec le modèle Naive Bayes Combiner les variables de prédiction des arbres et les forêts aléatoires dans RHadoop
Visualiser les performances des modèles avec une courbe ROC Évaluer les modèles de classification avec des matrices de confusion
Segmenter le marché client avec l'algorithme K-Means Trouver des similarités avec les mesures des distances Créer des clusters en forme d'arbres et des mises en cluster hiérarchiques Mettre en cluster les tweets et les fichiers texte pour mieux les comprendre
Identifier les connexions importantes avec l'analyse des réseaux sociaux Comprendre l'utilisation des résultats de l'analyse des réseaux sociaux à des fins marketing
Identifier les préférences réelles des clients à partir d'un ensemble de données transactionnelles pour améliorer l'expérience utilisateur Calculer les indices de support et de confiance et le lift pour différencier les bonnes règles des mauvaises
Méthodologie basée sur l'Active Learning : 75% de pratique minimum. Chaque point théorique est systématiquement suivi d'exemples et exercices.
Contrôle continu
Attestation de fin de stage mentionnant le résultat des acquis