• 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
    • Planning des séances
  • I 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_()
      • 1.2.4 Paramétrisation du modèle
    • 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 Modèle empirique et mécaniste
    • 2.6 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 Contrastes orthogonaux
      • 3.3.2 Autres matrices de contrastes courantes
    • 3.4 ANCOVA
      • 3.4.1 Oursins plus ou moins lourds
      • 3.4.2 Choix du modèle
      • 3.4.3 Bébés à la naissance
    • 3.5 Récapitulatif des exercices
  • 4 Modèle linéaire généralisé
    • 4.1 Modèle linéaire généralisé
      • 4.1.1 GLM Poisson : ray-grass dans les dunes
      • 4.1.2 GLM binomiale avec proportions : maturation d’ovocytes
      • 4.1.3 GLM binomiale avec variable binaire : acariens
    • 4.2 Modèle linéaire généralisé mixte
      • 4.2.1 Ajustement et analyse d’un GLMM
      • 4.2.2 Simplification du modèle
      • 4.2.3 Intervalles de confiance des paramètres
      • 4.2.4 Difficultés d’ajustement
      • 4.2.5 Analyse des résidus
      • 4.2.6 Prédictions à l’aide d’un GLMM
    • 4.3 Récapitulatif des exercices
  • 5 Régression non linéaire
    • 5.1 Rendement photosynthétique
    • 5.2 Principe
      • 5.2.1 Fonction objective
      • 5.2.2 Calcul itératif
      • 5.2.3 Pièges et difficultés
      • 5.2.4 Modèles ‘selfStart’ dans R
    • 5.3 Modèles courants en biologie
      • 5.3.1 Modèle de Michaelis-Menten
      • 5.3.2 Modèles de croissance
      • 5.3.3 Courbe exponentielle
      • 5.3.4 Courbe logistique
      • 5.3.5 Modèle de Gompertz
      • 5.3.6 Modèles de von Bertalanffy
      • 5.3.7 Modèle de Richards
      • 5.3.8 Modèle de Weibull
      • 5.3.9 Modèle Preece-Baines 1
      • 5.3.10 Modèle de Tanaka
    • 5.4 Choix du modèle
    • 5.5 Challenge
    • 5.6 Récapitulatif des exercices
  • II SDD II: analyse
  • 6 Classification & indices
    • 6.1 Analyse de données
    • 6.2 Distance entre individus
      • 6.2.1 Matrice de distance
      • 6.2.2 Indices de (dis)similarité
      • 6.2.3 Utilisation des indices
      • 6.2.4 Propriétés des indices
    • 6.3 Regroupement avec CAH
      • 6.3.1 Dendrogramme
      • 6.3.2 Séparer les groupes
      • 6.3.3 Méthodes de CAH
      • 6.3.4 Étude complète
    • 6.4 K-moyennes
      • 6.4.1 Exemple simple
      • 6.4.2 Classification du zooplancton
    • 6.5 Indices de diversité
      • 6.5.1 Diversité alpha
      • 6.5.2 Diversité beta
    • 6.6 Récapitulatif des exercices
  • 7 ACP & AFC
    • 7.1 Réduction de dimensions grâce à l’ordination
    • 7.2 Analyse en composantes principales
      • 7.2.1 Indiens diabétiques
      • 7.2.2 Biométrie d’oursin
      • 7.2.3 Visualisation de données quantitatives
      • 7.2.4 ACP : mécanisme
      • 7.2.5 Calcul matriciel ACP
    • 7.3 Analyse factorielle des correspondances
      • 7.3.1 Enquête sur la science
      • 7.3.2 Communautés d’acariens
      • 7.3.3 Principe de l’AFC
    • 7.4 Challenge
    • 7.5 Récapitulatif des exercices
  • 8 AFM & big 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 Big data
      • 8.2.1 Gros jeux de données dans R
      • 8.2.2 Tableaux de millions de lignes
      • 8.2.3 Format de stockage
      • 8.2.4 Gros jeux de données et git/GitHub
      • 8.2.5 Bases de données à la rescousse
    • 8.3 Récapitulatif des exercices
  • 9 Bases de données & MDS
    • 9.1 Accès aux bases de données
      • 9.1.1 Drivers de bases de données dans RStudio
      • 9.1.2 Base de données dans un fichier
      • 9.1.3 Normalisation des données
      • 9.1.4 Requête dans une base de données relationnelle avec {dm}
    • 9.2 Positionnement multidimensionnel (MDS)
      • 9.2.1 MDS métrique ou PCoA
      • 9.2.2 MDS non métrique
    • 9.3 Récapitulatif des exercices
  • 10 Données ouvertes & SOM
    • 10.1 Données ouvertes
      • 10.1.1 Gestion des données
      • 10.1.2 Utilisation de données ouvertes
    • 10.2 Cartes auto-adaptatives (SOM)
      • 10.2.1 SOM sur le zooplancton
      • 10.2.2 Interprétation d’une SOM
    • 10.3 Récapitulatif des exercices
  • Appendices
  • A Installation de la SciViews Box
    • A.1 Migration des projets
    • A.2 Configuration
      • A.2.1 Compte GitHub dans RStudio
  • Références
  • Site Web du cours
  • Site Github du cours

  • Publié avec bookdown

Science des données biologiques II

5.6 Récapitulatif des exercices

Ce cinquième 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 B05Ha_base_nls - Bases de la régression non linéaire
  • h5p B05Hb_algorithme - Minimisation de la fonction objective
  • app B05Sa_micmen - Ajuster la meilleure courbe de Michaelis-Menten
  • app B05Sb_exponent - Ajuster la meilleure courbe exponentielle
  • app B05Sc_logis - Ajuster la meilleure courbe logistique
  • app B05Sd_gen_logis - Ajuster le meilleur modèle logistique généralisé
  • app B05Se_gompertz - Ajuster le meilleur modèle de Gompertz
  • app B05Sf_richards - Ajuster le meilleur modèle de Richards
  • tuto B05La_nls - Récapitulatif modèles non linéaires
  • git B05Ia_abies_balsamea - Croissance d’un conifère
  • git B02Ga_models - Modélisations libres par quatre (partie IV)
  • git B05Ca_models - Challenge modélisation
Progression

Cliquez pour visualiser le rapport de progression.