Formation Méthodes PLS

Objectifs

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).

Compétences visées

- Disposer d'une présentation de la méthode NIPALS et de ses particularités afin d'explorer, modéliser et prédire
- Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en œuvre de l'algorithme NIPALS
- Découvrir les principes de la méthode de régression PLS avec l'algorithme NIPALS et ses avantages par rapports aux méthodes de régression classiques
- Mettre en œuvre une méthode de régression avec 1 variable dépendante (PLS1) et avec 2 variables dépendantes (PLS2)
- Savoir utiliser l'analyse discriminante basée sur la régression PLS (PLSDA)
- Examiner différents cas d'applications des méthodes PLS

Public

Toute personne souhaitant réaliser l'analyse de données issues d'un fichier présentant des déséquilibres.

Pré-requis

Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Analyse des données : méthodes exploratoires (ACP, AFC, classification) ou d'avoir atteint par la pratique un niveau équivalent

Méthode pédagogique

Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.

Programme

- Méthode NIPALS (Non Iterative Partial Least Square)

Présentation de la méthode NIPALS
Particularités de cette méthode pour l’analyse des données
Utilisation pour les différents outils de l’analyse des données selon les objectifs poursuivis
- Exploration
- Modélisation
- Prédiction

- L’analyse en Composantes principales (A.C.P.)

Particularités de l’ACP mise en œuvre avec l’algorithme NIPALS
Représentation géométrique
Approche algébrique
Mise en œuvre
Analyse
Utilisation des aides à l’interprétation
Exemples d’utilisation traités

- La régression PLS

Principes de la régression PLS avec l’algorithme NIPALS
Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,…)
Régression PLS1
- Présentation de la PLS1
- Construction d’un modèle PLS1
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités
Régression PLS2
- Présentation de la PLS2
- Particularités de la PLS2
- Conditions d’utilisation
- Construction d’un modèle PLS2
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités

- L’analyse Discriminante

Types de données et objectifs poursuivis
Exploration et identification de groupes
Affectation de nouveaux individus : prédiction
Méthode SIMCA (Soft Independent Modeling of Class Analogy)
Utilisation de l’ACP NIPALS pour l’identification de groupes
Règles de discrimination : le Cooman’s plot
Mode d’affectation de nouveaux individus ou groupe d’individus
Exploration et identification de groupes
Application sur divers exemples
La régression PLSDA (Discriminant Analysis)
- Présentation et particularités de la PLSDA
- Conditions d’utilisation
- Construction d’un modèle PLSDA
- Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
- Validation externe
- Les prévisions
- Présentation et utilisation des aides à l’interprétation
- Application sur divers exemples traités

- Applications

Analyses de spectres
Contrôle de procédés par lots (batch)
Contrôle statistique multidimensionnel MSPC
Introduction à l’analyse des données OMICS

Projet tutoré

En option, réalisez en autonomie un projet vous permettant d'appliquer les principales notions de votre formation. Le formateur vous présentera la problématique proposée et suivra votre avancement au cours de 3 séances d'1h de tutorat individuel à distance.

Modalités d'évaluation

Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.

Solutions de financement

Cette formation peut être financée :

dans le cadre du plan de développement des compétences de votre Entreprise
par l’OPCO (opérateur de compétences) de votre Entreprise ou le FAF (Fonds d’Assurance Formation) pour les professionnels libéraux
par Pôle Emploi dans le cadre du dispositif de l'Aide Individuelle à la Formation (soumis à accord de votre Agence)
à titre personnel

Accessibilité

Vous souhaitez suivre notre formation Méthodes PLS et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage