Analyses multivariées avancées : PCAmix, AFM, Clusterisation de variables, PAM

Cette formation s’adresse à des personnes ayant déjà les bases de méthodes de data mining/analyse multivarié et souhaitant approfondir pour des tableaux de données mixtes.

Thèmes principaux :

• Statistiques Exploratoires Multivariées,
• Données Mixtes, Qualitatives et Quantitatives,
• Réduction des dimensions,
• Analyses en Composantes Principales (ACP),
• Analyses des Correspondances Multiples (ACM),
• Analyses Factorielles des Données Mixtes (AFDM/PCAmix),
• Analyses Factorielles Multiples (AFM),
• Représentations Graphiques,
• Clusterisation de Variables (ClusofVar),
• Corrélations et rapports de Corrélations,
• K-means,
• Partitions Around Medoids (PAM),
• Logiciel R.

• Reconnaître un tableau de données mixtes,
• Comprendre et appliquer des ACP et des ACM,
• Réaliser et interpréter une AFDM/PCAmix,
• Différencier une AFDM/PCAmix d’une AFM,
• Réaliser et interpréter une Analyse Factorielle Multiple AFM,
• Produire et interpréter les représentations graphiques de ces différentes méthodes,
• Utiliser une interface Shiny en R pour ces analyses (FAMDShiny),
• Comprendre la différence entre une corrélation et un rapport de corrélation,
• Réaliser et interpréter une classification de variables,
• Réutiliser des variables clusterisées dans une analyse inférentielle,
• Comprendre l’algorithme classique de la k-means,
• Comprendre le concept de médoïdes,
• Comprendre la différence entre la k-means et la Partition Around Medoids (PAM),
• Comprendre le contexte d’utilisation d’une PAM plutôt qu’une k-means,
• Réaliser et interpréter une PAM,
• Utiliser les packages FactoMineR, ade4 et PCAmixdata.

Connaissances en Data Mining, Statistiques Exploratoires Multivariées (ACP, ACM, CAH, K-Means)

Tout public

• Rappels en Datamining, Analyses Multivariées,
• Réaliser des Analyses Factorielles de Données Mixtes (AFDM/PCAmix),
• Réaliser des Analyses Factorielles Multiples,
• Réaliser une Clusterisation de variables,
• Allez plus loin que la K-means : K-médoïdes et CLARA,
• Application en R.

Les formateurs de Seenovate sont des consultants expérimentés et certifiés. Ils appuient leur pédagogie sur leur expertise terrain en conseil et en réalisation de projet en statistique et data science.

Méthodes et moyens : 

• Une convention de formation
• Une enquête en amont sur les attentes des stagiaires
• Feuilles d’émargement signées à chaque session
• 1 vidéoprojecteur par salle / 1 poste de travail par stagiaire
• Explications théoriques suivies de pratiques guidées puis mises en autonomie

Méthode d’évaluation des acquis : 

• Quiz et exercices d’applications tout au long de la formation
• Evaluation de fin de stage
• Attestation de suivi de formation

Support stagiaire :  

• Support de cours électronique (dématérialisé) / En français