• Science des données biologiques II
  • Préambule
    • Vue générale du cours
    • Matériel pédagogique
    • Approche pédagogique
      • Classe inversée & pédagogie active
      • Quatre niveaux d’exercices
      • Plan du cours
    • Issues
  • (PART) SDD II: modélisation
  • 1 Régression linéaire I
    • 1.1 Modèle
      • 1.1.1 Pourquoi modéliser ?
      • 1.1.2 Quand modéliser ?
      • 1.1.3 Entraînement et confirmation
    • 1.2 Régression linéaire simple
      • 1.2.1 Quantifier l’ajustement d’un modèle
      • 1.2.2 La fonction lm()
      • 1.2.3 Résumé avec summary()
    • 1.3 Outils de diagnostic
      • 1.3.1 Analyse des résidus
      • 1.3.2 Enveloppe de confiance
      • 1.3.3 Extraire les données d’un modèle
    • 1.4 Récapitulatif des exercices
  • 2 Régression linéaire II
    • 2.1 Outils de diagnostic (suite)
      • 2.1.1 Résumé avec summary()(suite)
      • 2.1.2 Comparaison de régressions
    • 2.2 Régression linéaire multiple
    • 2.3 Régression linéaire polynomiale
    • 2.4 RMSE & critère d’Akaike
    • 2.5 Récapitulatif des exercices
  • 3 Modèle linéaire
    • 3.1 Variables numériques ou facteurs
    • 3.2 ANOVA et régression linéaire
      • 3.2.1 Modèle linéaire commun
      • 3.2.2 Réencodage des variables de l’ANOVA
    • 3.3 Matrice de contraste
      • 3.3.1 Contraste orthogonaux
      • 3.3.2 Autres matrices de contrastes courantes
    • 3.4 ANCOVA
      • 3.4.1 Bébés à la naissance
      • 3.4.2 Choix du modèle
    • 3.5 Modèle linéaire généralisé
      • 3.5.1 Exemple
    • 3.6 Récapitulatif des exercices
  • 4 Régression non linéaire
    • 4.1 Rendement photosynthétique
    • 4.2 Principe
      • 4.2.1 Fonction objective
      • 4.2.2 Calcul itératif
      • 4.2.3 Pièges et difficultés
      • 4.2.4 Modèles ‘selfStart’ dans R
    • 4.3 Modèles courants en biologie
      • 4.3.1 Modèle de Michaelis-Menten
      • 4.3.2 Modèles de croissance
      • 4.3.3 Courbe exponentielle
      • 4.3.4 Courbe logistique
      • 4.3.5 Modèle de Gompertz
      • 4.3.6 Modèles de von Bertalanffy
      • 4.3.7 Modèle de Richards
      • 4.3.8 Modèle de Weibull
      • 4.3.9 Modèle Preece-Baines 1
      • 4.3.10 Modèle de Tanaka
    • 4.4 Choix du modèle
    • 4.5 Challenge
    • 4.6 Récapitulatif des exercices
  • (PART) SDD II: analyse
  • 5 Classification hiérarchique
    • 5.1 Analyse de données
    • 5.2 Distance entre individus
      • 5.2.1 Matrice de distances
      • 5.2.2 Indices de (dis)similarité
      • 5.2.3 Utilisation des indices
      • 5.2.4 Propriétés des indices
    • 5.3 Regroupement avec CAH
      • 5.3.1 Dendrogramme
      • 5.3.2 Séparer les groupes
      • 5.3.3 Étude complète
    • 5.4 Récapitulatif des exercices
  • 6 K-moyenne, MDS & SOM
    • 6.1 K-moyennes
      • 6.1.1 Exemple simple
      • 6.1.2 Classification du zooplancton
    • 6.2 Positionnement multidimensionnel (MDS)
      • 6.2.1 MDS simplifiée sous SciViews::R
      • 6.2.2 MDS métrique ou PCoA
      • 6.2.3 MDS non métrique
    • 6.3 Cartes auto-adaptatives (SOM)
      • 6.3.1 SOM sur le zooplancton
      • 6.3.2 Interprétation d’un SOM
    • 6.4 Récapitulatif des exercices
  • 7 ACP & AFC
    • 7.1 Analyse en composantes principales
      • 7.1.1 ACP dans SciViews::R
      • 7.1.2 Indiens diabétiques
      • 7.1.3 Biométrie d’oursin
      • 7.1.4 Visualisation de données quantitatives
      • 7.1.5 ACP : mécanisme
      • 7.1.6 Calcul matriciel ACP
    • 7.2 Analyse factorielle des correspondances
      • 7.2.1 AFC dans SciViews::R
      • 7.2.2 Enquête sur la science
      • 7.2.3 Des acariens sinon rien
      • 7.2.4 Principe de l’AFC
    • 7.3 Accès aux bases de données
      • 7.3.1 Installation de SQLite
      • 7.3.2 Base de données en mémoire
      • 7.3.3 Base de données dans un fichier
      • 7.3.4 Driver ODBC dans RStudio
      • 7.3.5 Utilisation de DB Browser
      • 7.3.6 Utilisation de {dplyr}
    • 7.4 Récapitulatif des exercices
  • 8 AFM, biodiversité et Open Data
    • 8.1 Analyse factorielle multiple (AFM)
      • 8.1.1 AFM dans SciViews::R
      • 8.1.2 Plancton en Méditerranée
      • 8.1.3 AFM avec données mixtes
    • 8.2 Indices de biodiversité
      • 8.2.1 Diversité alpha
      • 8.2.2 Diversité beta
    • 8.3 Données ouvertes
      • 8.3.1 Gestion des données
      • 8.3.2 Utilisation de données ouvertes
    • 8.4 Récapitulatif des exercices
  • (APPENDIX) Appendices
  • 9 Installation de la SciViews Box
    • 9.1 Migration des projets
    • 9.2 Configuration
      • 9.2.1 Compte GitHub dans RStudio
  • Références
  • Site Web du cours
  • Site Github du cours

  • Publié avec bookdown

Science des données biologiques II

4.6 Récapitulatif des exercices

Ce quatrième module vous a permis de comprendre les régressions non linéaires. Pour évaluer votre compréhension de cette matière vous aviez les exercices suivants à réaliser :

  • h5p Bases de la régression non linéaire
  • h5p Minimisation de la fonction objective
  • app Ajuster la meilleure courbe de Michaelis-Menten
  • git Vitesse de réaction chimique
  • app Ajuster la meilleure courbe exponentielle
  • app Ajuster la meilleure courbe logistique
  • app Ajuster le meilleur modèle logistique généralisé
  • app Ajuster le meilleur modèle de Gompertz
  • app Ajuster le meilleur modèle de Richards
  • tuto Récapitulatif modèles non linéaires
  • git Croissance bactérienne
  • git Challenge modélisation
Progression

Cliquez pour visualiser le rapport de progression.