Formations Analyse des données

Découvrir les principales méthodes exploratoires d’analyse des données (ACP, AFC, Classification) afin de mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l’information obtenue et communiquer les résultats importants

Découvrir les principales méthodes décisionnelles d’analyse des données (arbres de décision, règles d’association, régression multiple, analyse discriminante, …), choisir celle appropriée au problème et aux données. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l’information obtenue et communiquer les résultats importants

Technique mathématique combinant techniques statistiques et savoir d’expert, les réseaux bayésiens permettent l’analyse de données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d’un système, diagnostiquer les causes d’un phénomène, …. Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé (diagnostic), industrie, informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), banque et finances (analyse financière), management (aide à la décision, gestion du risque), ….

Extraire l’information utile et pertinente d’un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d’un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes).
Le but est l’exploration (évaluation de la structure de corrélation, présence de groupes, d’individus atypiques,…) et la modélisation (pouvoir prédire et anticiper le comportement d’un processus industriel ou transactionnel).

Apprendre à analyser une série temporelle (appelée également série chronologique), c’est à dire les valeurs prises par une variable observée à intervalles de temps réguliers, en vue de la modéliser pour effectuer des prévisions.

Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en œuvre des applications pratiques dans R.

Approfondir la connaissance de la détection d’anomalies dans un contexte de données numériques et/ou fonctionnelles à l’aide de méthodes principalement non-supervisées