• Science des données biologiques III
  • Préambule
    • Vue générale des cours
      • SDD III : exploration et prédiction
      • SDD IV : recherche reproductible
    • Matériel pédagogique
    • Approche pédagogique
      • Classe inversée & pédagogie active
      • Quatre niveaux d’exercices
      • Plan du cours
    • Issues
    • Planning des séances
  • I SDD III : exploration et prédiction
  • 1 Classification supervisée I
    • 1.1 Principes de base
      • 1.1.1 Conditions d’application
    • 1.2 Mesure de performances
      • 1.2.1 Matrice de confusion
      • 1.2.2 Métriques de performance
      • 1.2.3 Micro- et macro-moyenne des métriques
    • 1.3 Analyse discriminante linéaire
      • 1.3.1 Manchots antarctiques
    • 1.4 Récapitulatif des exercices
  • 2 Classification supervisée II
    • 2.1 Validation croisée
      • 2.1.1 Application sur les manchots
    • 2.2 Différents algorithmes
      • 2.2.1 Indiens diabétiques
    • 2.3 K plus proches voisins
      • 2.3.1 Pima avec k-NN
    • 2.4 Quantification vectorielle
      • 2.4.1 Pima avec LVQ
    • 2.5 Partitionnement récursif
      • 2.5.1 Pima avec rpart
    • 2.6 Forêt aléatoire
      • 2.6.1 Pima avec forêt aléatoire
    • 2.7 Optimisation et métriques
    • 2.8 Récapitulatif des exercices
  • 3 Classification supervisée III
    • 3.1 Métriques et proportions
      • 3.1.1 Proportions en apprentissage
      • 3.1.2 Probabilités a priori
    • 3.2 Courbes ROC
    • 3.3 Machine à vecteurs supports
      • 3.3.1 Approche par noyau
      • 3.3.2 SVM multiclasses
      • 3.3.3 SVM et Pima
    • 3.4 Réseaux de neurones artificiels
      • 3.4.1 Pima avec réseau de neurones
      • 3.4.2 Apprentissage profond
    • 3.5 Challenge
    • 3.6 Récapitulatif des exercices
  • 4 Séries chronologiques I
    • 4.1 Observations dépendantes du temps
      • 4.1.1 Lynx
      • 4.1.2 CO2 à Hawaï
      • 4.1.3 EEG
      • 4.1.4 Plancton méditerranéen
    • 4.2 Qu’est-ce qu’une série chronologique ?
      • 4.2.1 Séries régulières
      • 4.2.2 Séries à trous
      • 4.2.3 Séries irrégulières
    • 4.3 Manipulation et description
      • 4.3.1 Statistiques glissantes
      • 4.3.2 Manipulations de ts
    • 4.4 Analyse de séries
      • 4.4.1 Autocorrélation, autocovariance, cross-corrélation et cross-covariance
      • 4.4.2 Analyse spectrale
      • 4.4.3 Tendance générale
      • 4.4.4 Tendance locale
    • 4.5 Récapitulatif des exercices
  • 5 Séries chronologiques II
    • 5.1 Décomposition de séries
      • 5.1.1 Fonction générale de décomposition
    • 5.2 Filtrage d’une série
      • 5.2.1 Moyennes mobiles
      • 5.2.2 Médianes mobiles
      • 5.2.3 Filtrage par différences
      • 5.2.4 Filtrage par les valeurs propres
    • 5.3 Régressions et séries
      • 5.3.1 Estimation de la tendance par régression
    • 5.4 Décomposition par LOESS
    • 5.5 Régularisation
      • 5.5.1 Application pratique
    • 5.6 Récapitulatif des exercices
  • II SDD IV : recherche reproductible
  • 6 Statistiques spatiales
    • 6.1 Réalisation de cartes
      • 6.1.1 Échelle et orientation
      • 6.1.2 Importation de “shapefiles”
      • 6.1.3 Systèmes de coordonnées
    • 6.2 Annotation de carte
      • 6.2.1 Labels et textes
      • 6.2.2 Couches supplémentaires sf
      • 6.2.3 Variables supplémentaires
    • 6.3 Les couches “raster”
      • 6.3.1 Modèle terrain du Maroc
    • 6.4 Cartes avec {tmap} et autres
      • 6.4.1 Graphiques de base R
      • 6.4.2 Utilisation de {tmap}
      • 6.4.3 Cartes interactives
      • 6.4.4 Édition interactive
    • 6.5 Interpolation spatiale
      • 6.5.1 Où pleut-il au Maroc ?
      • 6.5.2 Interpolation avec DIP
      • 6.5.3 Krigeage ordinaire
      • 6.5.4 Krigeage universel
      • 6.5.5 Interpolation avec AURELHY
    • 6.6 Récapitulatif des exercices
  • 7 Données particulières
    • 7.1 Dates
      • 7.1.1 Conversion d’une chaîne de caractères en date
      • 7.1.2 Temps biologique
    • 7.2 Données textuelles
      • 7.2.1 Encodage
      • 7.2.2 Manipulation de texte
      • 7.2.3 Expression régulière
      • 7.2.4 Variables facteurs
    • 7.3 Variables circulaires
      • 7.3.1 Hirondelles
    • 7.4 Récapitulatif des exercices
  • 8 Projets
    • 8.1 Structurer un projet
      • 8.1.1 Qualités d’un bon projet
      • 8.1.2 Structure conseillée
    • 8.2 Données
      • 8.2.1 Données brutes et retravaillées
      • 8.2.2 Format des données
    • 8.3 Carnet de notes
    • 8.4 Documents de synthèse
    • 8.5 Astuces
      • 8.5.1 Exclusion de fichiers du dépôt git
      • 8.5.2 Bibliographie
    • 8.6 Votre projet
    • 8.7 Récapitulatif des exercices
  • 9 Modularisation
    • 9.1 Les fonctions
      • 9.1.1 Nom de la fonction et de ses arguments
    • 9.2 Documenter sa fonction
    • 9.3 Récapitulatif des exercices
  • 10 Optimisation & test
    • 10.1 Package R
    • 10.2 Création d’un package
      • 10.2.1 Nom d’un package
    • 10.3 Récapitulatif des exercices
  • Appendices
  • A Langage R
    • A.1 Introduction au langage de R
      • A.1.1 Lancer R
      • A.1.2 Premières commandes
      • A.1.3 Variables et assignation
      • A.1.4 Quitter R et sauvegarder les variables, notion de workspace
      • A.1.5 Obtenir de l’aide dans R
    • A.2 Les packages
    • A.3 Petite démo
    • A.4 Bases du langage R
      • A.4.1 Quelques notions sur les variables
      • A.4.2 Le data frame
      • A.4.3 Distributions statistiques
      • A.4.4 Deux exemples d’analyses dans R
      • A.4.5 Scripts et fonctions personnalisées
  • Références
  • Site Web du cours
  • Site Github Du cours

  • Publié avec bookdown

Science des données biologiques III

2.8 Récapitulatif des exercices

Dans ce second module, vous aviez à réaliser les exercices suivants :

  • h5p C02Ha_validation_croisee - Principe de la validation croisée.
  • h5p C02Hb_valid_exclusion - Principe de la validation par exclusion d’une donnée.
  • h5p C02Hc_cvpredict - Utilisation de la fonction cvpredict().
  • tuto C02La_cv - Validation croisée
  • h5p C02Hd_knn - Principe des K plus proches voisins
  • h5p C02He_lvq - Principe de la quantification vectorielle
  • git C02Ia_zoo - Création d’un classifieur optimal
  • h5p C02Hf_mlRforest - La fonction mlRforest()
  • h5p C02Hg_type_algo - Les types d’algorithmes
  • tuto C02Lb_ml2 - K plus proches voisins, méthode par arbres et forêt aléatoire
  • git C01Ga_metrics - Aide-mémoire sur les métriques et optimisation (partie II)
Progression

Cliquez pour visualiser le rapport de progression.