Programme > Tutoriels

Claire Della-Vedova

Introduction pratique à R : les fondamentaux pour organiser, analyser et visualiser

Ce tutoriel est destiné aux débutants sans expérience préalable ainsi qu’aux utilisateurs occasionnels souhaitant maîtriser les bases de l’analyse et de la visualisation de données. Durant ces deux heures, vous serez guidé étape par étape dans l’environnement RStudio, apprenant à manipuler vos données de manière simple et efficace.

Nous débuterons par une introduction à l’organisation des projets sous R, un outil essentiel pour structurer vos fichiers et scripts de manière optimale. Vous explorerez ensuite les quatre fenêtres principales de RStudio (console, script, environnement, graphiques) pour comprendre comment interagir avec vos données.

Vous découvrirez les premiers éléments du langage R, vous familiarisant avec la syntaxe de base : création de variables, utilisation de fonctions simples, et manipulation des objets essentiels tels que les vecteurs et les dataframes. Vous apprendrez également à importer des données au format CSV et Excel (XLSX), les formats les plus couramment utilisés dans l’analyse de données.

Enfin, vous serez initié à la création de vos premiers graphiques grâce au package esquisse, un outil interactif qui facilite la création de visualisations claires et intuitives, sans nécessiter une maîtrise approfondie de R.

Vincent Guyader
Assisté de Colin Fay

Conception d'applications Shiny avec {golem}

 {golem} est un framework puissant qui permet de structurer le code Shiny, facilitant ainsi la création d'applications robustes, facilement déployables et maintenables sur le long terme. En transformant une application Shiny en package R, {golem} offre de nombreux avantages, tels que l'intégration d'outils de documentation, de tests unitaires et de gestion des dépendances, assurant ainsi une qualité et une fiabilité accrues du code.

Toby Dylan Hocking

Tutoriel {data.table}

 {data.table} est un package R qui permet le traitement efficace de grands jeux de données. Il inclut des fonctions pour la lecture et l'écriture de fichiers CSV, l'agrégation, la restructuration, la jointure, etc. Par rapport aux autres logiciels avec ces fonctions, l'utilisation de {data.table} peut être 10x plus efficace en temps de calcul et en utilisation de mémoire. Il est aussi très facile à installer (il ne dépend pas d'autres packages) et à mettre à jour (les nouvelles versions de {data.table} sont compatibles avec les anciennes). Sur CRAN depuis 2006, il est très utilisé, avec plus de 1500 autres packages qui en dépendent.

Christophe Regouby

{torch}, {tabnet} et l'apprentissage profond par l'usage

  R offre une interface native à l'environnement d'apprentissage profond torch. Et au-delà, au mlverse, un univers très complet de paquetages pour adapter les données tabulaires, les images, les textes, les modèles publics du hub huggingface, et bien d'autres.

Venez découvrir cet univers par l'usage, par un atelier pratique qui couvrira tout d'abord les généralités de torch avec les avantages et les inconvénients de cette librairie, incluant les arcanes de l'installation sur vos GPUs, la manipulation de tenseurs, etc.

On entrera en profondeur dans les modèles {tabnet} de classification ou de régression sur des données tabulaires, leur entraînement et leur optimisation, l'intégration dans l'environnement {tidymodels}, la gestion des valeurs manquantes...

On basculera ensuite dans le monde des modèles de langage avec le réentraînement de GPT-2 sur votre machine, l'usage et la modification des grands modèles de langage d'huggingface, le fine-tunning d'un LLM par l'ajout d'un LoRA.

On évoquera enfin le monde de la vision par ordinateur avec l'entraînement d'un modèle de segmentation d'image.

L'atelier inclut la théorie strictement nécessaire et beaucoup de pratique pour apprendre à tirer le meilleur parti des ressources matérielles disponibles tout en utilisant des modèles à l'état de l'art.

Prérequis : maîtrise intermédiaire de la programmation avec le langage R, et du machine-learning.

Durée : 2h

À réaliser avant de venir au tutoriel :

1. Installer R 4.4.0 ou supérieur et un IDE confortable, par exemple RStudio desktop.
2. Installer le package {usethis} : install.packages("usethis")
3. Installer les exercices du tutoriel :
   usethis::use_course("cregouby/Tutoriel_torch")
4. Installer les prérequis du tutoriel : source("00_installation.R")

Informations complémentaires : site web de {torch} : https://torch.mlverse.org/