Data Value

Objectif général : Apprendre à mettre en place une démarche de validation des méthodes analytiques, découvrir les outils associés Objectifs détaillés : - Identifier les objectifs et applications d'une démarche de Validation des Méthodes Analytiques - Maîtriser les outils statistiques utilisés pour la validation des Méthodes Analytiques tels l'analyse la variance, la régression, les tests d'hypothèses - Caractériser une méthode d'analyse quantitative par construction du profil d'exactitude en vue de sa validation - Mettre en oeuvre ce protocole sur des exemples applicatifs

- Introduction
La démarche de Validation des Méthodes Analytiques : objectifs et applications

- Exposé des outils statistiques nécessaires à la réalisation d'un Validation des Méthodes Analytiques
Statistiques descriptives
Analyse de la variance
Régression
Régressions linéaires et non linéaires
Étalonnage et calibration
Les outils de diagnostic
Diagramme de probabilité
Les principaux tests d'hypothèses
Test de manque d'ajustement
Analyse des résidus

- Validation des méthodes analytiques selon la norme NF V03-110
Protocole de caractérisation en vue de la validation d'une méthode d'analyse quantitative par construction du profil d'exactitude
Domaine d'application
Définitions
Linéarité
Justesse
Fidélité
Répétabilité
Reproductibilité
Procédure de mise en oeuvre : construction d'un profils d'exactitude selon la norme
Limites de détection et de quantification
Vérification d'une limite de quantification prédéterminée
Étude de la sélectivité/spécificité

- Exemples d'application

Sans niveau particulier

Disposer d'une méthodologie simple permettant l'élaboration d'un système de management environnemental.

- Les fondamentaux
Le PDCA et l'amélioration continue
Les principes de management
Les normes ISO

- Comprendre la norme ISO 14001:2015
Les évolutions de l'ISO 14001
La structure HLS (High Level Structure) de la nouvelle version
Le vocabulaire de la norme ISO 14001

- Les points forts de la norme
L'éco-système de l'organisme
Les risques et opportunités
Le contexte et enjeux environnementaux
La performance environnementale
Leadership et compétences

- Analyser pas à pas la structure de la norme et ses exigences
Contexte de l'organisme
Identifier les enjeux internes et externes, les parties intéressées, domaine d'application et approche processus.
Leadership
Engagement, politique qualité, rôles, responsabilités et autorités.
Planification du SME (système de management environnemental)
Aspects et objectifs environnementaux, obligations de conformité et plans d'actions.
Support
Ressources, gestion des compétences, sensibilisation, communication et informations documentées.
Activités opérationnelles
Planification et maîtrise opérationnelles, préparation et réponse aux situations d'urgence.
Évaluation des performances
Surveillance, mesure, analyse et évaluation, audit interne et revue de direction.
Amélioration
Non-conformité, actions correctives et amélioration continue.

Sans niveau particulier

Objectifs Comprendre les exigences de la norme ISO/IEC 17020 Connaître les outils applicables à la norme ISO/IEC 17020 Identifier les convergences et divergences avec la norme ISO 9001 Comprendre le processus d'accréditation Compétences visées Mettre en place un système de management en ligne avec les exigences de la norme ISO/IEC 17020 Identifier les évidences à fournir pour l'audit d'accréditation Maîtriser les aspects techniques de la traçabilité métrologique

- Introduction générale
Famille des normes de la série ISO 17000
Le document de référence COFRAC INS Réf 02
Domaine d'application
Références normatives, termes et définitions

- Les exigences de la norme ISO 17020
Exigences générales
Exigences structurelles
Exigences en matière de ressources
Exigences relatives aux processus
Exigences en matière de système de management

- Focus technique
L'étalonnage
L'échantillonnage
Le vocabulaire de la métrologie

- Convergences et divergences entre l'ISO 9001 et l'ISO 17020
Divergences
Convergences

- Evolution de la version 2012 de la norme

- Le processus d'accréditation
Différences entre accréditation et certification
Domaine d'accréditation
Origines et intérêt de l'accréditation
Le Cofrac
Rôle et structure
Critères et conditions d'accréditation
Surveillance

- Etat des lieux de l'organisme vis-à-vis de la norme ISO 17020

Sans niveau particulier

Objectifs Comprendre les exigences de la norme ISO/IEC 17025 Connaitre les outils applicables à la norme, particulièrement les outils de la métrologie Identifier les convergences et divergences avec la norme ISO 9001 Comprendre le processus d'accréditation Compétences visées Mettre en place un système de management en ligne avec les exigences de la norme ISO/IEC 17025 Identifier les évidences à fournir pour l'audit d'accréditation Maîtriser les aspects techniques de la métrologie applicables à la norme

- Introduction générale
Famille des normes de la série ISO 17000
Historique de la norme ISO 17025
Domaine d'application
Références normatives
Termes et définitions

- Les exigences de la norme ISO 17025
Exigences générales
Exigences structurelles
Exigences relatives aux ressources
Exigences relatives aux processus
Exigences relatives au management

- Focus technique
Le vocabulaire de la métrologie
Quelques éléments de statistique
Quelques notions essentielles
L'étalonnage
Calcul de l'incertitude de mesure
Calcul de la capabilité d'un instrument de mesure (R&R & P/T)
Comparaison d'équipements de mesure
L'échantillonnage
Les outils d'analyses des causes

- Convergences et divergences entre l'ISO 9001 et l'ISO 17025
Divergences
Convergences

- Evolution de la norme ISO 17025 - De la version 2005 à la version 2017

- Le processus d'accréditation
Différences entre accréditation et certification
Domaine d'accréditation
Origines et intérêt de l'accréditation
Le Cofrac

- État des lieux de l'organisme vis-à-vis de la norme ISO 17025

Sans niveau particulier

Objectif général : Apprendre à réaliser un audit interne de son Laboratoire suivant la norme ISO 17025 Objectifs détaillés : - Comprendre comment réaliser sa check-list pertinente depuis les risques et opportunités de son laboratoire - Savoir établir et rédiger un programme d'audit ISO 17025 - Savoir animer la réunion d'ouverture et la réunion de clôture - Analyser, observer, questionner un audité et ses données - Identifier son comportement en situation d'audit et l'améliorer si besoin - Savoir établir et rédiger un constat fiable d'une situation auditée - Savoir rédiger un compte rendu d'audit ISO 17025

- Quelques rappels
Rappels des fondamentaux de la norme ISO 17025 v2017 et de celles du COFRAC
Rappels de vocabulaire (audit, critères, preuves, preuves, etc...)

- La méthode d'audit
La notification
Elle rappelle le contexte et objectif(s) dans lesquels s'inscrit l'audit et prépare l'auditeur à comprendre ce qu'il doit auditer du SMQ du laboratoire
Comprendre le laboratoire audité
Au moyen des informations documentées remises en formation, les participants identifieront les risques et opportunités d'un laboratoire, ce qui leur permettra de dégager des points pertinents de questionnement./li>
Établir sa check-list pertinente
Savoir construire un programme d'audit pertinent et réaliste
Réaliser sa réunion d'ouverture : structure et contenus de cette réunion introductive
Savoir analyser des données en situation réelle
Quel comportement adopter face à un audité
Quelques règles de communication efficace
Les différents types de questionnement
La reformulation : apprendre les diverses reformulations et quand les utiliser
La prise de note : prendre des notes pertinentes et réutilisables
Apprendre à statuer : formuler son constat qu'il soit positif ou non conforme en présence de l'audité
Mise en pratique par des exercices de simulations d'audit et en situation réelle au moyen d'un système de management d'un laboratoire sous ISO 17025 v2017 et documents COFRAC
Apprendre à formuler ses écarts et les classer de la même façon que l'organisme d'accréditation COFRAC
Réaliser sa réunion de clôture : sa structure et la manière de la réaliser
Réaliser son compte rendu d'audit


A l'issue de la formation, vous repartirez avec les documents suivants :
Etude de cas
Modèle de check-list
Modèle de programme d'audit
Modèle de fiche d'écart
Modèle de compte-rendu d'audit

Sans niveau particulier

Objectif général : Acquérir une connaissance approfondie de la norme ISO 9001 version 2015, de ses exigences ainsi que des outils nécessaires à sa mise en oeuvre. Comprendre le processus de certification. Objectifs détaillés : Mettre en place un système de management qualité répondant aux exigences de la norme ISO 9001 version 2015 Identifier les exigences à fournir pour l'audit de certification Maîtriser les outils qualité pour animer une démarche d'amélioration continue

- Introduction générale
- Les exigences de la norme ISO 9001:2015
- Les annexes A et B de la norme
- Les nouveautés de la version 2015 de l'ISO 9001
- Les outils de l'ISO 9001:2015
- Le processus de certification

Sans niveau particulier

Objectif général : Acquérir la maîtrise de l'audit interne du système de management de la qualité. Comprendre les exigences d'audit interne spécifiques à la norme ISO 9001:2015 Objectifs détaillés : Appréhender l'audit : définition, origines, norme ISO des audits de système de management de la qualité Différencier les différents types d'audit Comprendre les objectifs et le champ d'application de l'audit qualité interne Identifier les exigences de la norme ISO 9001 Avoir connaissance des pré requis pour l'auditeur qualité interne Assimiler les techniques de questionnement de l'auditeur qualité interne Savoir structurer les différents phases de l'audit qualité interne Connaître la documentation de l'audit qualité interne

- Définition
Les origines de l'audit
La définition de l'audit
La norme ISO 19011 des audits de système de management de la qualité

- Les différents types d'audit
L'audit interne de « première partie »
L'audit externe de « seconde partie »
L'audit externe de « tierce » partie »

- Les objectifs et le champ d'application de l'audit qualité interne
Les objectifs
Le champ d'application

- Les exigences de la norme ISO 9001
La planification de l'audit qualité interne

- L'auditeur qualité interne : les pré-requis

- L'auditeur qualité interne : les comportements
Les qualités de l'auditeur
Les comportements à éviter

- L'auditeur interne : les techniques de questionnement

- Les phases de l'audit qualité interne
La planification
La préparation
La réalisation
Le rapport d'audit
La restitution des résultats
Le suivi des audits qualité internes

- La documentation de l'audit qualité interne

Sans niveau particulier

Objectifs Comprendre la norme EN 9100, basée sur l'ISO 9001 et intégrant les spécificités relatives à l'industrie aéronautique. Disposer des bases pour construire un Système de Management Qualité répondant aux exigences de la norme Compétences visées Comprendre l'esprit de la norme EN 9100 v 2016 Disposer des bases pour construire son Système de Management Qualité (SMQ) selon l'EN 9100 v 2016 Comprendre le vocabulaire qualité et technique Comprendre les exigences de la norme ISO 9001 : 2015 et celles de l'International Aerospace Quality Group (IAQG)

- Historique de la norme EN 9100

- Architecture HLS de la norme

- Le nouvel esprit de la norme : les 7 principes du management

- Comprendre les exigences de la norme EN 9100 : 2016
Article 0 : introduction
Article 1 : Domaine d'application
Article 2 : Références normatives
Article 3 : Terme et définition
Article 4 : contexte de l'organisme
Article 5 : le Leadership
Article 6 : Planification
Article 7 : Ressources
Article 8 : Réalisation des activités opérationnelles
Article 9 : Evaluation de la performance
Article 10 : Amélioration

- Focus sur les exigences d'ISO 9001 : 2015 faisant partie intégrante de la norme EN 9100 : 2016
Déterminer ses forces, faiblesses, opportunités d'amélioration, menaces. Les documenter et les suivre
Identifier les exigences des parties intéressées et celles des clients et les documenter
Identifier son domaine d'application et les exclusions normatives. Documenter son domaine d'application et ses exclusions. Contenu d'un manuel de management qualité
Organiser par les processus son organisme et les documenter. Etablir une fiche d'identité des processus (leadership, réalisation des activités opérationnelles, supports)
Structurer sa politique qualité et sa stratégie et savoir la communiquer
Décliner ses objectifs au sein de ses processus
Mesurer par des indicateurs ses objectifs
Etablir son plan d'actions en liens avec ses objectifs, menaces et opportunités. Comment le suivre et l'améliorer au cours du temps
Etablir la matrice de compétences et le processus de gestion des compétences. Savoir le documenter
Le processus SST comme moyen de garantir l'environnement pour les processus
Comment répondre aux exigences portant sur les connaissances organisationnelles
Etablir ses informations documenter et savoir gérer sa documentation
Etablir le processus de traitement des non conformités et actions correctives

- Focus sur les exigences technique de l'EN 9100 : 2016
Ethique professionnelle
Les bases de la métrologie (étalonnage, vérification, incertitude de mesure, gérer son équipement et savoir documenter son équipement)
Comprendre l'AMDEC. Le processus AMDEC, déploiement de l'outil AMDEC au sein des processus et produits
Sécurité du produit et la gérer
Gestion de la configuration et savoir la documenter
Maîtrise des pièces contrefaites
Revue de premier article. La FAI
Identifier les caractéristiques clés et les suivre

Sans niveau particulier

Objectifs Maîtriser les règles d'échantillonnage pour les contrôles par attributs telles que décrites par la Norme ISO 2859-1 Compétences visées - Connaître les normes de la série ISO 2859 - Maîtriser les techniques statistiques utilisées dans le contrôle par échantillonnage - Mettre en oeuvre les règles d'échantillonnage pour les contrôles par attributs (valeurs non mesurées, le plus souvent des caractéristiques visuelles) - Décider si un lot ou une fabrication doit être accepté ou rejeté. - Utiliser les résultats du contrôle pour connaître la confiance que l'on peut accorder au fournisseur et apprécier l'évolution de la qualité. - Connaître les types de contrôle (normal, réduit, renforcé) et les règles de passage de l'un à l'autre

- Introduction aux contrôles par échantillonnage aux attributs

- Présentation des normes ISO 2859

- Rappels des techniques statistiques utilisées dans le contrôle par échantillonnage

- Mise en oeuvre de La norme ISO 2859-1
Définition des termes : AQL ou NQA, LTDP, AOQL, ...
Les divers plans de contrôle par échantillonnage : Plans OC, Plans AOQL, Plans LTDP
Efficacité d'un plan
Qualité moyenne après contrôle
Prélèvement des échantillons
Règles de décision
Plan d'échantillonnage simple
Plan d'échantillonnage double
Plan d'échantillonnage multiple
Types de contrôles : normal, réduit, renforcé
Utilisation des tables

- Exercices pratiques

Sans niveau particulier

Objectifs Décider au vu des mesures réalisées si un lot ou une fabrication doit être accepté ou rejeté. Utiliser les résultats du contrôle pour connaître la confiance que l'on peut accorder au fournisseur et l'évolution de la qualité; Compétences visées - Connaître les normes de la série ISO 2859 - Maîtriser les techniques statistiques utilisées dans le contrôle par échantillonnage - Mettre en oeuvre les règles d'échantillonnage pour les contrôles aux mesures - Décider si un lot ou une fabrication doit être accepté ou rejeté. - Utiliser les résultats du contrôle pour connaître la confiance que l'on peut accorder au fournisseur et apprécier l'évolution de la qualité. - Connaître les types de contrôle (normal, réduit, renforcé) et les règles de passage de l'un à l'autre

- Introduction aux contrôles par échantillonnage aux mesures

- Présentation de la norme ISO 3951

- Rappels des techniques statistiques utilisées dans le contrôle par échantillonnage

- Complémentarité avec la norme 2859-1 (contrôles aux attributs)

- Mise en oeuvre de La norme ISO 3951
Définitions et vocabulaire
Choix d'un plan d'échantillonnage
Choix entre mesures et attributs
Choix d'une méthode « S » ou « Sigma »
Choix du niveau de contrôle et NQA
Mise en oeuvre d'un plan d'échantillonnage par mesures
Opérations préliminaires indispensables
Normalité et aberrants
Procédure normalisée de la méthode « S »
Procédure normalisée de la méthode « Sigma »
Types de contrôles : normal, réduit, renforcé
Utilisation des tables

- Exercices pratiques

Sans niveau particulier

Objectifs Connaître la norme ISO5725-2 pour la détermination de la répétabilité et de la reproductibilité d'une méthode de mesure normalisée. Compétences visées - Appréhender la métrologie : définition et vocabulaire - Différencier les deux termes de justesse et fidélité pour décrire l'exactitude d'une méthode de mesure - Connaître les conditions d'une expérience de fidélité : schéma de l'expérience, recrutement des laboratoires, préparation des matériaux - Mener une analyse statistique d'une expérience de fidélité : considérations générales, mise en forme des données, détection de valeurs atypiques, calculs de moyennes et de variance, interprétation des résultats - Savoir restituer des résultats et décider

- Introduction générale à la métrologie

- Définition et vocabulaire de la métrologie

- Différences entre justesse et fidélité

- Conditions d'une expérience de fidélité
Schéma des essais
Recrutement des laboratoires
Conditions générales sur les matériaux et le personnel

- Analyse statistique d'une expérience de fidélité (étude d'incertitude)
Considérations générales
Mise en forme des données
Détection des valeurs atypiques, tests de Cochran et de Grubbs
Calculs des moyennes et de variances
Calculs manuels ou avec Excel
Calculs avec un logiciel statistique (si applicable)
Analyse et interprétation statistique des résultats

- Mise en forme du rapport et décisions à prendre

Sans niveau particulier

Objectifs : Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, Classification) afin de mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants Compétences visées : - Revoir les notions de statistique, les méthodes et les représentations visuelles - Connaître les différents méthodes statistiques d'analyse multidimensionnelle : l'Analyse en composantes principales (ACP), l'Analyse Factorielle des Correspondances (AFC), l'Analyse Factorielle des Correspondances Multiples (ACM) - Développer les méthodes de classification amenant à des typologies - Comprendre la complémentarité des méthodes - Disposer d'un panorama des logiciels

- Rappels de notions utiles
Notions de statistique
Panorama des méthodes
Quelques rappels pour les visualisations
Tronc commun des concepts

- Analyse en composantes principales (ACP)
Représentations approchées optimales
Interprétation des axes factoriels
Variables actives et illustratives

- Analyse Factorielle des Correspondances (AFC)
Tableaux de fréquences
Comparaisons de profils et distances
Représentation des lignes et des colonnes
Points supplémentaires

- Analyse Factorielle des Correspondances Multiples (ACM)
Type de données concernées
Transformation des données : le tableau disjonctif complet
Les variables actives et illustratives : le « thémascope »
Les représentations graphiques et les indicateurs d'aide à l'analyse
Analyses et interprétations

- Méthodes de classification
Méthodes hiérarchiques
Méthodes des centres mobiles
Classifications mixtes
Affectation des individus à des classes
Typologies et description des classes obtenues

- Complémentarité des méthodes

- Panorama des logiciels

Sans niveau particulier

Maîtriser la programmation VBA dans l'environnement Microsoft Office Access

- La programmation Orientée Objets
La programmation objet
Classes et Objets
Propriétés, méthodes et événements
Collections
Structure du langage VBA
Les différents objets d'Access
Différents types de modules

- Le langage VBA pour Access
Modules de formulaires, publiques ou de classes
La structure du langage VBA
Différentes procédures : événementielles, sous programmes ou fonctions
Convention internationale de nommage des objets
Les variables littérales
Portées et durées de vie des variables
Variables tableaux statiques et dynamiques
Les structures conditionnelles, IF ou SELECT CASE
Les Itérations, FOR NEXT / DO LOOP / FOR EACH
Travailler avec les collections
Les fonctions MsgBox et InputBox
Les fonctions et les passages de paramètres
Intégrer la gestion des erreurs
Spécificités de VBA pour Access
Les modèles DAO et ADO
L'objet RecordSet
Conception de formulaires et sous formulaires avancés
Les différents contrôles Access (Textbox, combobox, listbox, ...)
Conception d'états dynamiques
Le langage SQL avec l'objet RecordSet
Intégrer du code SQL dans le code VBA
Connection à un serveur type SQL Server
Présentation de la sécurité avec Access
Finaliser et distribuer une application Access

Sans niveau particulier

Objectifs Analyser les situations d'accidents du travail et acquérir une culture et méthodologie de la prévention en entreprise Compétences visées - Analyser un incident ou un accident du travail - Réaliser des comptes-rendus d'accidents exploitables - S'approprier la méthode de l'arbre des causes - Élaborer des mesures de prévention efficaces

- La prévention en entreprise
Les enjeux de la prévention
Les responsabilités pénales lors d'un accident
Les obligations de l'employeur et des salariés

- Les dangers et les risques
La définition du danger, du risque et du dommage
L'exposition
L'étude de situations à risques

- Les accidents du travail et les maladies professionnelles
Le code du travail - la pyramide des textes
Les accidents de travail, de trajet et leurs circonstances
La conduite à tenir en cas de malaise ou d'accident
Les maladies professionnelles
Les indicateurs statistiques

- L'arbre des causes
La finalité et les intérêts de l'arbre des causes
L'arbre des causes, outil dans la résolution de problème
Le mécanisme de l'accident : le comprendre pour mieux l'anticiper

- La méthode de l'arbre des causes
Créer un groupe de travail
Recueillir les faits et les données sur l'accident
Rechercher l'enchaînement des causes à l'origine de l'événement
La méthode des 5M
Construire l'arbre des causes en respectant la logique : enchaînement, disjonction, connexion
Vérifier les éléments sur le terrain
Réaliser des comptes-rendus d'accidents
En déduire les actions correctives et préventives efficaces

Sans niveau particulier

Objectifs Comprendre l'approche Agile. Appréhender les principales Méthodes Agiles (Lean Kanban, Scrum, XP, Design Thinking, Lean Startup Management...), au-delà de la théorie, illustrations pratiques de cas d'utilisations réels, des bénéfices que l'on peut attendre de chaque méthode et des étapes concrètes de leur mise en oeuvre. Comprendre les enjeux de l'adoption Agile et les étapes de la transformation Agile. Faire la différence entre « être agile » et « faire agile ». A l'issue de la formation, les participants maîtrisent les techniques et concepts de l'Agile et ont un mode d'emploi directement applicable à leurs problématiques d'Entreprise.

- Introduction à l'Agilité au travers d'un exemple concret

- Les bases de l'Agilité
L'apparition et le développement de l'Agilité
Gestion de projet Déterministe vs gestion de projet Empirique
Valeurs et principes, le Manifeste Agile

- Les principales Méthodes Agiles
Les principaux Mouvements Agiles et leur filiation
Cas d'utilisation des principales méthodes

- La gestion de flux d'activités par Lean Kanban
Vue générale de la méthode
Visualiser et gérer un flux
La gestion du travail et les classes de services
Plan de transition vers Lean Kanban
Quizz

- Délivrer des projets et améliorer le time to market par Scrum
Vue générale de la méthode
Principaux éléments de la méthode (rôles, artefacts et cérémonies)
Etude de cas pratique et de méthodes d'estimations
Plan de transition vers Scrum
Les autres méthodes possibles : Scrumban et XP
Quizz

- L'innovation et le test de nouveaux produits par Lean Startup Management
Vue générale de la méthode et le lien avec les Startups
Mise en oeuvre pratique du « running lean »
Plan de transition vers Lean Startup Management
Les autres méthodes possibles : Design Thinking
Quizz

- De l'adoption à la transformation Agile
La culture de la mesure et son application à l'Agilité
La gestion du changement et le modèle de Kotter
La contractualisation Agile

- Les Organisations Agiles
Agilité à l'échelle
Cas d'études : SAFE et Spotify
Cas pratiques (AXA, Yahoo et Google)

Sans niveau particulier

Objectifs : Découvrir PowerPoint, outil de création de diapositives pour une communication attractive. Apprendre à maîtriser PowerPoint, de sa prise en main à la mise en oeuvre de ses fonctions essentielles Compétences visées : Apprendre comment construire une présentation rapide et élaborée pour préparer vos conférences ou exposés, pour exposer vos projets ou bilans, pour vendre des produits ou services, ... Se familiariser avec l'environnement de présentation PowerPoint Créer des diapositives personnalisées et efficaces avec l'utilisation de la notion de masque, de plan et de thème. Enrichir les diapositives à l'aide d'éléments divers et variés : texte, image, boutons d'animation, schéma SmartArt, son, vidéo, tableaux et graphiques. Dynamiser le diaporama en l'animant à l'aide des effets de transition et des commentaires audios. Diffuser sa présentation en l'exportant ou en la partageant.

- Environnement de PowerPoint
Description de l'interface : Ruban, onglets de commande, fonctions générales
Les différents modes d'affichage (normal, plan, trieuse, lecture)
La gestion des documents (ouverture et enregistrement de présentations et de modèles, partage et enregistrement sur OneDrive, gestion d'album photos, impression, ...)

- Créer, mettre en forme et modifier une présentation
Les diapositives, les masques, les thèmes, les arrière-plans, les sections, ...
Choix du thème (polices et couleurs)
Établir un plan des diapositives
Utilité de définir un masque de diapositive
Changer l'arrière-plan d'une diapositive

- Gérer le contenu des diapositives
Choisir une disposition adaptée au contenu de la diapositive (structure de pages prédéfinie)
Insérer des objets dans la diapositive : texte, image, boutons de navigation, schéma SmartArt, son, vidéo.
Insérer des tableaux et graphiques

- Animer la présentation : enregistrement de commentaires audio, ajout de son et d'animations
Dérouler la présentation : minutage de la présentation, enregistrement vidéo

- Partager et co-éditer une présentation
Enregistrer, publier, exporter le diaporama

Sans niveau particulier

Objectifs : Découvrir Word, outil de traitement de texte pour saisir, formater et modifier du texte, et créer des documents (lettres ou rapports) pouvant être imprimés ou affichés électroniquement. Apprendre à connaître Word, ses nombreux outils et fonctionnalités pour créer des documents efficaces et attractifs Compétences visées : Se familiariser avec l'environnement de travail Word. Apprendre à concevoir ou modifier des documents avec l'utilisation des outils de mise en forme (styles, thèmes, niveaux hiérarchiques, liste à puces et liste numérotée). Enrichir les documents à l'aide d'illustrations diverses et variées : formes, images, graphique SmartArt, tableaux et graphiques de données. Mettre au point la mise en page avant impression (PDF ou papier) en peaufinant la mise en forme du document (mise en place de sections, numérotation de pages, multicolonnage) Diffuser son document en l'exportant ou en la partageant.

- Environnement de Word
Description de l'interface : Ruban, onglets de commande, zone de saisie, barre d'outils d'Accès rapide, barre d'état, fonctions générales
La gestion des documents (création ou ouverture d'un document et enregistrement, partage et enregistrement sur OneDrive, impression d'un document)

- Premier document et mise en forme
Mise en forme du texte, des paragraphes
Les niveaux hiérarchiques d'un document
Les règles et tabulations
Listes à puces et listes numérotées
Utilisation des styles, des thèmes
Mise en forme des sections, des pages

- Insérer des illustrations dans un document
Illustration sur mon disque, mise à disposition par Microsoft, sur une page Web
L'outil Capture
Habiller une illustration avec du texte
Insérer des éléments graphiques : formes, zones de texte, équations mathématiques, graphique SmartArt, graphique à partir de données numériques
Modifier les caractéristiques d'une image
Insérer un tableau et le mettre en forme

- Travailler la mise en page du document avant impression
Mise en forme des sections : définir un saut de section, numéroter les pages d'un document, numérotation des lignes dans un document, en-têtes et pieds de page
Mise en forme des pages : page de garde, taille orientation et marges du document, arrière-plan de page, filigranes, bordures de page, multicolonnage
Aperçu avant impression
Impression en PDF

- Partager et co-éditer un document
Enregistrer, publier, exporter le document.

Sans niveau particulier

Objectifs S'approprier les principaux modèles à effets aléatoires pour données longitudinales en Biostatistique. Savoir manipuler, analyser et interpréter des données dans le cadre de modèles mixtes Compétences visées - Comprendre les limites de l'Anova et de la régression linéaire - Connaître les stratégies de modélisation - Identifier les programmes R ou SAS adaptés à chaque modélisation - Savoir appliquer des modèles marginaux et des modèles linéaires généralisés mixtes - Identifier le modèle mixte adapté à la situation étudiée et au critère de jugement considéré - Identifier la matrice de covariance des effets aléatoires considérés - Interpréter des paramètres du modèle mixte - Savoir prédire des données à partir du modèle

- Introduction aux données groupées et longitudinales

- Rappels concernant le modèle linéaire
Anova et régression linéaire, conditions d'utilisation
Limites de ces modèles

- Les modèles linéaires à effets mixtes
Exemples introductifs
Contexte d'utilisation des différents modèles (modèles à intercept et pentes aléatoires)
Estimation des paramètres
Interprétation des paramètres du modèle mixte
Structure des effets aléatoires et de la matrice de covariance
Structure des erreurs de mesure
Données longitudinales incomplètes (données manquantes), classification et traitement de ces données manquantes
Adéquation du modèle à effets aléatoires (résidus, diagnostic d'influence)
Estimation des effets aléatoires
Prédictions de Y
Données manquantes (sur variables dépendantes ou explicatives)
Stratégie de modélisation
Modèles pour données groupées
Applications

- Les modèles marginaux
Modèles d'équations d'estimation généralisées
Applications

- Les modèles linéaires généralisés mixtes
Régression logistique, régression de Poisson
Applications

Sans niveau particulier

Acquérir la connaissance des principaux outils nécessaires à la mise en oeuvre efficace d'une démarche qualité et d'amélioration continue sur le terrain. Appréhender l'aspect pratique de leur utilisation.

- Introduction à la qualité
Historique de la qualité
Les normes ISO des systèmes de management de la qualité
La satisfaction client

- L'amélioration continue
Le PDCA
Les exigences des normes ISO
Identification des opportunités d'amélioration
Les différentes démarches de l'amélioration
Le retour à la normale
L'amélioration « continue »
L'amélioration par palier

- Les différents outils de l'amélioration continue
Les outils de base de la qualité
Le Brainstorming
Le diagramme Cause - Effet
Le diagramme de Pareto
Les outils de résolution de problèmes
Le 5 Pourquoi
L'arbre des défauts
L'analyse comparative Est / N'Est pas
Le QQOQCCP
La matrice de décision
La méthodologie 8D
Les outils avancés de prévention
Les méthodes de gestion des risques et l'AMDEC
Les systèmes anti-erreurs ou Poka Yoke
La maîtrise statistique des procédés (MSP)
Autres outils
La méthodologie 5S
La cartographie des processus
Le diagramme SIPOC
Le diagramme Spaghetti
Le logigramme
Le graphe métier
La Cartographie de chaîne de valeur (VSM)
la percée Kaizen
La matrice SWOT
Le plan de surveillance
L'assurance qualité logiciel (CMMi)
Le Lean Six Sigma
L'audit interne.

Sans niveau particulier

Objectif général : Acquérir une connaissance méthodologique et pratique approfondie de l'AMDEC (Analyse des modes de défaillance, de leurs effets et de leur criticité) dans ses différentes composantes (produit, procédé, moyen de production, processus), pratiquer sur des exemples. Objectifs détaillés : Utiliser l'AMDEC dans un cadre général de prévention et de maîtrise des risques Être en capacité de réaliser une AMDEC produit Effectuer une analyse fonctionnelle Être en capacité de réaliser réaliser une AMDEC procédé Être en capacité de réaliser une AMDEC moyen de production Être en capacité de réaliser une AMDEC processus Maîtriser les outils qualité de l'AMDEC Identifier les bonnes pratiques et les erreurs à éviter

- Les bases de l'AMDEC
Historique de l'AMDEC
Exigences de la norme ISO 9001
L'intérêt d'une approche préventive
L'équipe AMDEC
La préparation de l'AMDEC

- AMDEC produit
Introduction à l'analyse fonctionnelle
Fonctions principales, fonctions secondaires et fonctions de contrainte
Les outils de l'analyse fonctionnelle
Exercices d'analyse fonctionnelle
Modes de défaillances, effets et recherche des causes
Gravité, occurrence et détection, indice IPR
Exemples d'AMDEC produit et exercices

- AMDEC procédé de fabrication
Description du procédé
Modes de défaillances, effets et recherche des causes
Gravité, occurrence et détection, indice IPR
Exemples d'AMDEC procédé et exercices

- AMDEC moyen de production
Description des séquences d'utilisation de l'équipement
Modes de défaillances, effets et recherche des causes
Gravité, occurrence et détection, indice IPR
Exemples d'AMDEC moyen de production et exercices

- AMDEC processus
Description du processus
Modes de défaillances, effets et recherche des causes
Gravité, occurrence et détection, indice IPR
Exemples d'AMDEC processus

- AMDEC : points génériques
Fréquence de révision des AMDEC
Lien entre AMDEC et plan de surveillance
Lien entre AMDEC et retours client
Lien entre AMDEC et scraps / quasi-scraps
Lien entre AMDEC et modifications de design / procédé
La documentation AMDEC
Le système AMDEC entreprise
Les erreurs à éviter

- Les outils de l'AMDEC
Brainstorming
Diagramme d'Ishikawa
Le cinq pourquoi
L'arbre des défauts
Le diagramme de Pareto
La cartographie de procédé

Sans niveau particulier

Objectifs Acquérir la connaissance méthodologique et pratique des méthodes de modélisation que sont la régression linéaire, la régression logistique, l'analyse de la variance et de la covariance. Elles permettent d'obtenir une analyse explicative d'un phénomène, de confirmer des hypothèses, de prendre des décisions ou encore d'effectuer des prévisions Compétences visées - Connaître l'intérêt, le principe et l'écriture d'un modèle linéaire - Mettre en oeuvre une régression linéaire simple et multiple, savoir interpréter les coefficients de la régression, étudier les résidus, tester la significativité des paramètres de la régression - Savoir appliquer la méthode de la régression logistique, interpréter les coefficients de la régression, tester la significativité des paramètres - Savoir mener une analyse de la variance et de la covariance, identifier les effets principaux et les effets des interactions, tester les hypothèses du modèle, et connaître les différents types de modèles

- Le modèle linéaire
Introduction
Le modèle linéaire, principe, écriture

- Régression simple et multiple
Le modèle
Estimation des coefficients
Validation du modèle
Tableau d'analyse de variance et coefficient de détermination (R2)
Test global du modèle : le test de Fisher
Test de nullité de chacun des coefficients du modèle : le test de Student
Recherche de valeurs influentes
Etude graphique et statistique des résidus
Liaisons entre variables explicatives : évaluer le degré de multicolinéarité, utilisation de l'analyse en composantes principales
Critères de sélection de modèles concurrents
Critères de sélection de modèles : coefficient de détermination, coefficient de détermination ajusté, Cp de Mallow
Méthodes pas à pas de sélection de modèle : ascendante, descendante, mixte
Utilisation du modèle en prévision
Intervalle de confiance et de prévision

- Régression logistique
Spécificité et complémentarité avec la régression linéaire classique
Spécification du modèle
Hypothèses
Fonction logit
Interprétation des paramètres du modèle
Intervalle de confiance
Estimation des paramètres du modèle
Tests d'hypothèses sur les paramètres du modèle
Codage et interprétation des variables explicatives (binaire, qualitative)
Comparaison de modèles et sélection de variables
Validation des hypothèses du modèle et analyse des résidus

- Analyse de la variance et de la covariance
Le modèle
Analyse de la variance à un ou plusieurs facteurs
Décomposition de la variance
Effets principaux et effets des interactions
Analyse de la covariance
Vérification des hypothèses sur les données, validation du modèle
Tests de normalité des distributions, d'homogénéité des variances (homoscedasticité), transformation des données
Utilisation des boîtes à moustaches
Etude graphique et statistique des résidus
Tests d'hypothèses, exploitation
Tests de comparaisons multiples de moyennes (Tukey, Bonferroni, ...)
Tests de type I, II, III
Analyse de contraste pour vérifier une hypothèse de départ
Cas des plans déséquilibrés
Les différents types de modèles
Modèles croisés
Modèles imbriqués
Mesures répétées

Sans niveau particulier

Objectifs Découvrir un panorama complet des méthodes statistiques d'analyse des données. Savoir quelle méthode utiliser en fonction des données disponibles et des objectifs à atteindre Compétences visées - Connaître le cadre d'applications des méthodes statistiques - Établir une cartographie des principales méthodes statistiques - Découvrir les différentes étapes de pré-traitement d'un jeu de données - Découvrir les méthodes de statistique inférentielle pour la prise de décision - S'initier aux techniques d'analyses factorielles pour résumer l'information d'un jeu de données - Connaître les techniques permettant de créer des groupes homogènes - Découvrir la modélisation statistique au travers des techniques de régression - Découvrir des méthodes statistiques plus spécifiques

- Le cadre statistique
Introduction
Le raisonnement statistique et son évolution

- Panorama des méthodes dans leur cadre
Cartographie générale
Les multiples bourgeonnements « métiers »

- Gérer et préparer les données
Introduction
Gérer les données. Données manquantes, données aberrantes / atypiques, transformations, codages et recodages de variables, sélection de variables et d'individus
Discussion : Quelle différence entre pré-traitement et traitement statistique ?

- Exploiter les données pour décider
Présentation
Estimation et test d'hypothèses
Modélisation d'un phénomène
Validation des résultats

- La description multidimensionnelle
Introduction et panorama
Les analyses factorielles

- La synthèse multidimensionnelle
Classifications et combinaison des méthodes multivariées
Data mining

- Les modèles classiques confrontés à la concurrence
Les méthodes de régression en lice

- Quelques spécialisations « métier »
Les plans d'expériences
Le contrôle de qualité
Les séries chronologiques

- Discussions et conclusions

Sans niveau particulier

Objectif général : Découvrir les principales méthodes décisionnelles d'analyse des données (arbres de décision, règles d'association, régression multiple, analyse discriminante, ...), choisir celle appropriée au problème et aux données. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants Objectifs détaillés : - Construire un arbre de décision en choisissant des critères pertinents de segmentation - Connaître l'intérêt des règles d'association et savoir les utiliser sur des données volumineuses - Savoir mener une modélisation de type régression multiple et en interpréter les résultats - Mettre en oeuvre une analyse discriminante, en mesurer la qualité des paramètres et fournir des probabilités d'appartenance à un groupe - Disposer d'un comparatif des méthodes avec leur propriété, qualité et conditions d'application - Utiliser les réseaux de neurones pour résoudre les problématiques de classification

- Arbres de Décision
Principe et algorithmes de construction
Identification des variables discriminantes
Arbre de régression et arbre de classement (discriminant)

- Règles d'association
Recherche des règles d'association pertinentes dans une base de données
Sélection des meilleures règles et leur utilisation
Utilisation en Data Mining

- Modèle linéaire et régression multiple
Modélisation de la relation entre la variable cible et les variables explicatives
Interprétation des résultats et pièges à éviter

- Analyse Discriminante
Analyse linéaire discriminante
Qualité d'une discrimination
Probabilité d'appartenance à un groupe

- Comparaisons, domaines d'application, conditions d'utilisation
Comparaisons des propriétés, qualités et conditions d'application des familles de méthodes et des méthodes elles-mêmes.
Complémentarité des méthodes
Panorama des logiciels

- Réseaux de Neurones
Principes des réseaux de neurones (perceptron)
Techniques de calculs
Applications à la résolution de nombreux problèmes dont la discrimination et la régression

Sans niveau particulier

Objectif général : S'approprier les méthodes d'analyse de survie avec des applications en Biostatistique. Savoir manipuler, analyser et interpréter des données dans le cadre d'une analyse de survie Objectifs détaillés : - Connaître les caractéristiques des données de survie - Maîtriser les notions de censure et de troncature - Mettre en oeuvre les méthodes Kaplan-Meier et actuarielle à l'aide du logiciel R ou SAS. Savoir interpréter les résultats - Réaliser des courbes de survie et savoir les comparer - Mener des analyses de régression sur vos données à l'aide de modèles paramétriques (Exponentiel, Weibull) et semi-paramétriques (Cox)

- Données de survie
Exemples
Terminologie
Fonctions associées aux distributions de survie

- Censure et troncature
La censure - Exemples
La troncature - Exemples

- Courbes de survie
Méthode de Kaplan-Meier
Méthode actuarielle

- Comparaison de courbes de survie
Test du Log-Rank
Exemples

- Modèles de régression
Modèles paramétriques (Exponentiel, Weibull)
Le modèle à risques proportionnels de Cox
Comparaison de modèles
Adéquation du modèle
Extensions

Sans niveau particulier

Objectif général : S'approprier les principaux modèles de survie à effets aléatoires pour analyser des données de survie non standards. Savoir manipuler, analyser et interpréter des données de survie avancées Objectifs détaillés : - Comprendre le contexte d'utilisation des modèles de survie à effets aléatoires - Connaitre les spécificités du modèle à fragilité - Percevoir l'intérêt des modèles à risques compétitifs - Développer les modèles conjoints pour données de survie

- Modèles de survie à effets aléatoires (frailty models)
Contexte des données corrélées
Terminologie
Exemples
Spécification du modèle à fragilité
Hypothèses
Interprétation des paramètres du modèle
Estimation des paramètres du modèle
Tests d'hypothèses sur les paramètres du modèle
Codage des variables explicatives (binaire, qualitative)
Modification de l'effet et confusion
Comparaison de modèles et sélection de variables
Étude de l'adéquation du modèle (résidus)

- Modèles à risques compétitifs

- Modèles conjoints pour données de survie

Sans niveau particulier

Objectifs S'approprier les méthodes de régression logistique avec des applications en Biostatistique. Savoir manipuler, analyser et interpréter des données dans le cadre d'une régression logistique. Compétences visées - Comprendre le contexte d'utilisation de la régression logistique - Comprendre l'intérêt du passage à la fonction logit - Savoir interpréter les résultats de la régression et établir des intervalles de confiance autour des paramètres du modèle - Savoir estimer les paramètres dans le cas du modèle simple et multiple - Réaliser des tests d'hypothèse sur les paramètres du modèle - Savoir traiter les variables explicatives (codage et interprétation) - Connaître la modification de l'effet et confusion - Être en mesure de comparer les modèles et de sélectionner les variables - Examiner les étapes de validation du modèle - Découvrir des extensions du modèle logistique

- Contexte
Exemples
Terminologie
Représentations graphiques de ces données binaires

- Spécification du modèle
Hypothèses
Fonction logit
Interprétation des paramètres du modèle
Intervalle de confiance

- Estimation des paramètres du modèle simple et multiple

- Tests d'hypothèses sur les paramètres du modèle

- Codage et interprétation des variables explicatives (binaire, qualitative)

- Modification de l'effet et confusion

- Comparaison de modèles et sélection de variables

- Validation des hypothèses du modèle
Analyse des résidus
Etude de l'adéquation du modèle logistique

- Quelques extensions du modèle de régression logistique

Sans niveau particulier

Objectif général : Connaître le logiciel Minitab de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques. Objectifs détaillés : Être familiarisé avec l'environnement Minitab Importer et mettre en forme des données Réaliser des analyses descriptives (tris à plat et croisés) Élaborer les principaux graphiques statistiques Mettre en oeuvre l'inférence statistique (intervalles de confiance et tests) Construire des modèles de régression Être initié aux analyses multivariées et à la Maitrise Statistique des Procédés.

- Présentation générale du logiciel Minitab
Les atouts de Minitab
Revue des différentes options
Organisation du logiciel
Projets
Tables de données
Reportpad et graphes

- Gestion des données dans Minitab
Importation de fichiers
Mise en forme de données

- Méthodologie de nettoyage des données dans Minitab
Tri à plat
Histogrammes

- Analyses descriptives avec Minitab
Moments d'un paramètre : moyenne, écart type et autres moments
Statistiques non-paramétriques : médiane, quantiles et autres statistiques
L'histogramme et la boîte à moustache

- Analyses graphiques avec Minitab
Le constructeur de graphique
Le graphe de variabilité
Le « scatter plot »
Les graphiques multiples
Les courbes d'isoréponses
Les diagrammes en secteur et le graphique de Pareto

- Intervalles de confiance et tests statistiques avec Minitab
Le principe d'inférence et la normalité des données
Intervalles de confiance
D'une moyenne
D'une proportion
Tests statistiques de comparaison
Des moyennes : t-test et ANOVA
Des variances ou des écarts type
Non-paramétriques pour données non-normales

- Modélisation statistique avec Minitab
La régression simple
La régression multiple
La régression stepwise

- Analyse multivariée de grands tableaux de données avec Minitab : introduction

- Maîtrise Statistique des Procédés avec Minitab : introduction

Sans niveau particulier

Objectifs Connaître le logiciel JMP de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques Compétences visées - Être familiarisé avec l'environnement JMP - Importer et mettre en forme des données - Réaliser des analyses descriptives (tris à plat et croisés) - Élaborer les principaux graphiques statistiques - Mettre en oeuvre l'inférence statistique (intervalles de confiance et tests) - Construire des modèles de régression (simple, multiple, stepwise) et des arbres de classification et de régression - Être initié aux analyses multivariées et à la Maitrise Statistique des Procédés

- Présentation générale du logiciel JMP
Les atouts de JMP
Revue des différentes options

- Gestion des données dans JMP
Importation de fichiers
Mise en forme de données

- Méthodologie de nettoyage des données dans JMP
Tri à plat
Histogrammes
Options pour masquer des données

- Analyses descriptives avec JMP
Moments d'un paramètre : moyenne, écart type et autres moments
Statistiques non-paramétriques : médiane, quantiles et autres statistiques
L'histogramme et la boîte à moustache

- Analyses graphiques avec JMP
Le constructeur de graphique
Le graphe de variabilité
Le « scatter plot »
Les graphiques multiples
Les courbes d'isoréponses
Les diagrammes en secteur et le graphique de Pareto

- Intervalles de confiance et tests statistiques avec JMP
Le principe d'inférence et la normalité des données
Intervalles de confiance
D'une moyenne
D'une proportion
Tests statistiques de comparaison
Des moyennes : t-test et ANOVA
Des variances ou des écarts type
Non-paramétriques pour données non-normales

- Modélisation statistique avec JMP
La régression simple
La régression multiple
La régression stepwise
Les arbres de classification et de régression

- Analyse multivariée de grands tableaux de données avec JMP : introduction

- Maîtrise Statistique des Procédés avec JMP : introduction

Sans niveau particulier

Objectifs Connaître le logiciel StatGraphics de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques Compétences visées - Être familiarisé avec l'environnement StatGraphics - Importer et mettre en forme des données - Réaliser des analyses descriptives (tris à plat et croisés) - Élaborer les principaux graphiques statistiques - Mettre en oeuvre l'inférence statistique (intervalles de confiance et tests) - Construire des modèles de régression (simple, multiple, stepwise) - Être initié aux analyses multivariées et à la Maitrise Statistique des Procédés

- Présentation générale du logiciel StatGraphics
Les atouts de StatGraphics
Revue des différentes options
Les différents outils du logiciel
StatWizard
StatAdvisor
StatFolios
StatReporter
StatGallery
Introduction au Six Sigma par le menu DMAIC

- Gestion des données dans StatGraphics
Importation de fichiers
Mise en forme de données

- Méthodologie de nettoyage des données dans StatGraphics
Tri à plat
Histogrammes

- Analyses descriptives avec StatGraphics
Moments d'un paramètre : moyenne, écart type et autres moments
Statistiques non-paramétriques : médiane, quantiles et autres statistiques
L'histogramme et la boîte à moustache

- Analyses graphiques avec StatGraphics
Le constructeur de graphique
Le graphe de variabilité
Le « scatter plot »
Les graphiques multiples
Les courbes d'isoréponses
Les diagrammes en secteur et le graphique de Pareto

- Intervalles de confiance et tests statistiques avec StatGraphics
Le principe d'inférence et la normalité des données
Intervalles de confiance
D'une moyenne
D'une proportion
Tests statistiques de comparaison
Des moyennes : t-test et ANOVA
Des variances ou des écarts type
Non-paramétriques pour données non-normales

- Modélisation statistique avec StatGraphics
La régression simple
La régression multiple
La régression stepwise

- Analyse multivariée de grands tableaux de données avec StatGraphics : introduction

- Maîtrise Statistique des Procédés avec StatGraphics : introduction

Sans niveau particulier

Objectif général : Connaître toutes les méthodes statistiques pour analyser un système de mesure Objectifs détaillés : - Appréhender la maîtrise des systèmes de mesure et son intégration dans la maîtrise statistique des processus - Connaître le vocabulaire de la métrologie - Avoir une introduction à un logiciel de statistique, par défaut le logiciel R - Connaître les principes et techniques de l'inférence statistique et des systèmes de mesure, en calculant des intervalles de confiance et en menant des tests de comparaison et appariés - Apprivoiser les différentes techniques de l'analyse des systèmes de mesure parmi l'échantillonnage et l'étalonnage - Savoir mener l'étude d'incertitude par le calcul de plusieurs paramètres et indicateurs tels les variances et écart types, les indices R&R, Cpm et P/T - Approfondir l'étude d'incertitude - Examiner le cas de mesures nominales avec les indices Kappa et voir leur mise en oeuvre

- Introduction
La maîtrise des systèmes de mesure : de quoi s'agit-il ? Qu'apporte-t-elle ? Comment s'intègre-t-elle dans la maîtrise statistique des processus ?

- Le vocabulaire de la métrologie

- Introduction au logiciel statistique

- Inférence statistique et systèmes de mesure
Intervalle de confiance
Tests de comparaison
Technique des tests appariés

- Les différentes techniques de l'analyse des systèmes de mesure
Vocabulaire de la métrologie basé sur le VIM
Résolution, biais et linéarité
Différence entre étalonnage et incertitude de mesure
Échantillonnage
Comparaison d'éléments du système de mesure
Etalonnage et maîtrise statistique de l'étalonnage

- Etude d'incertitude (Gage R&R) : les bases
Le principe
Le calcul des variances de la mesure et des objets mesurés
Écart type total : méthodes de calcul
Les guardbands: calcul et mise en oeuvre
Les indices R&R, Cpm et P/T
Les critères d'acceptation
Sources de variation, facteurs croisés et facteurs nichés

- Etude d'incertitude : approfondissements
Plans d'expériences optimaux pour une étude d'incertitude
Le nombre de pièces nécessaire à une étude d'incertitude
Les cas des mesures destructrices

- Cas de mesures nominales
Le principe
Les indices Kappa
Mise en oeuvre

Sans niveau particulier

Acquérir des compétences appliquées relatives à l'analyse de données aussi bien quantitatives que qualitatives. A l'issue de ce cycle de formation, vous saurez résumer l'information pertinente présente dans un fichier de données et en extraire celle utile à la prise de décision. Data Value vous propose en option la certification « Valoriser ses données : collecter, prétraiter, analyser et interpréter ». Cette certification s'appuie sur un QCM d'évaluation de niveau ainsi que la réalisation d'une étude de cas afin de valider les connaissances et compétences acquises au cours du cycle de formation Data Analyst

Ce cycle de formation Data Analyst est composé des modules suivants :

Statistique descriptive (exploratoire) : savoir décrire des observations
Apprendre à décrire des jeux de données à l'aide de résumés numériques et de représentations graphiques

Statistique décisionnelle (inférentielle) : savoir décider au vu des observations
Découvrir la statistique inférentielle permettant de généraliser à partir d'un échantillon (connaissance partielle d'un phénomène) afin de prendre une décision en sachant évaluer les deux types de risques associés. Maîtrise opérationnelle des notions d'estimation d'un paramètre, d'intervalle de confiance, de tests d'hypothèse, ...

Régression linéaire, logistique et analyse de la variance
Acquérir la connaissance méthodologique et pratique des méthodes de modélisation que sont la régression linéaire, la régression logistique, l'analyse de la variance et de la covariance. Elles permettent d'obtenir une analyse explicative d'un phénomène, de confirmer des hypothèses, de prendre des décisions ou encore d'effectuer des prévisions

Analyse des données : méthodes exploratoires (ACP, AFC, classification)
Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, Classification) afin de mettre en évidence les liaisons entre paramètres, les similitudes et différences entre observations. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants

Analyse des données : méthodes décisionnelles
Découvrir les principales méthodes décisionnelles d'analyse des données (arbres de décision, règles d'association, régression multiple, analyse discriminante, ...), choisir celle appropriée au problème et aux données. Interpréter les résultats numériques et graphiques, éviter les pièges, savoir résumer l'information obtenue et communiquer les résultats importants

Sans niveau particulier

Objectifs : Connaitre les fonctionnements d'Hadoop Distributed File System (HDFS) et YARN / MapReduce Savoir explorer HDFS et suivre l'exécution d'une application YARN Déterminer les fonctionnements et l'utilisation les différents outils de manipulation des données Compétences visées : - Comprendre ce que sont Hadoop et YARN - Connaître les différents outils et les Framework dans un environnement Hadoop - Appréhender MapReduce - Comprendre comment exécuter une tâche de MapReduce sur YARN - Exécuter des modifications en masse avec PIG - Savoir écrire des requêtes pour HIVE afin d'analyser ses données - Savoir utiliser Sqoop pour transférer les données entre Hadoop et une base de données relationnelle - Découverte d'autres briques : automatiser vos process avec Oozie - Utiliser une base de données No-SQL (HBase)

- Hadoop
Comprendre Hadoop 2.0 et son écosystème
Quels impacts de l'arrivée d'Hadoop dans un SI traditionnel ?
Le Hadoop Distributed File System (HDFS)
Introduction aux données dans HDFS
MapReduce Framework et YARN

- Pig
Introduction à Pig
Programmation Pig avancée
Troubleshooting et optimisation avec Pig
Résolution des problèmes avec Pig
Utiliser l'UI Web d'Hadoop
Démo optionnelle : résolution d'un « Failed Job » avec l'UI Web
Echantillonnage de données et débogage
Vue d'ensemble des performances
Comprendre le plan d'exécution
Astuces pour améliorer la performance de vos « Pig Jobs »

- Hive
Programmation Hive
Utilisation de HCatalog
Programmation Hive avancée
Etendre Hive
Transformation de données avec des Scripts personnalisés
Fonctions définies par l'utilisateur
Paramétrer les requêtes
Exercices « Hands-On » : transformation de données avec Hive
Programmation Hive avancée (suite)
Analyse de données et statistiques

- Sqoop
Import/Export avec Sqoop (SGBDR <-> HDFS)
Sqoop, fonctions avancées
Définition de workflow avec Oozie

- Optionnel : (sous réserve de temps)
Introduction à H-Base
Exemple d'ingestion de données avec l'ETL Talend
Créer son propre cluster Hadoop (plateforme de test)

Sans niveau particulier

Objectifs Connaître le logiciel R pour gérer les données, réaliser des analyses statistiques et graphiques Compétences visées - Se familiariser avec les différentes fenêtres de R et avec l'environnement de développement RStudio - Savoir importer et exporter des fichiers de données de différents formats et taille - Étendre les possibilités de R au moyen de packages - Connaître les différents types d'objets de R - Maîtriser les fonctions pour la gestion de données - Mettre en oeuvre des techniques statistiques de base (analyse descriptive, tests, régression) dans R - Savoir élaborer et mettre en forme dans R les graphiques les plus courants

- Présentation du langage R
Les différentes fenêtres dans R
L'aide sous R
Les chemins d'accès
L'environnement de développement Rstudio

- Importation / exportation
Les différents formats d'import et d'export
Les gros fichiers de données
Création de fichiers de données

- Manipuler des packages
Installation de packages
Chargement de packages

- Manipulations de base
Création et opérations sur des vecteurs
Création et opérations sur des matrices
Tableaux de données
Listes
Gestion des données manquantes

- Manipuler des données
Sélection de sous-fichier
Sélection de lignes et de colonnes
Des fonctions classiques (if, else, for, while)
Les dates

- Statistiques de base avec R
Statistiques descriptives (variables quantitatives et qualitatives)
Premiers tests statistiques (Student, chi2)
Régression linéaire, corrélation

- Graphiques dans R
Les fonctions plot, curve, abline, legend
Histogrammes
Graphiques pour des variables qualitatives
Graphiques pour des variables quantitatives
Gestion des couleurs
Gestion des titres, axes et légendes

Sans niveau particulier

Objectifs Apprendre à utiliser le logiciel R pour analyser des données du domaine biomédical. Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et logistique Compétences visées - Mettre en oeuvre dans R des analyses statistiques uni et bivariées sur des données quantitatives comme qualitatives - Générer des données suivant une loi, évaluer la précision d'une méthode par rééchantillonnage - Établir avec R des intervalles de confiance autour de paramètres comme moyenne, proportion et variance - Réaliser les principaux tests d'hypothèses paramétriques et non paramétriques dans le logiciel - Mettre en oeuvre des analyses de la variance à un ou deux facteurs pour la comparaison de moyennes de population - Réaliser une ANOVA sur mesures répétées dans le cas où les données ne sont pas indépendantes - Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives - Construire un modèle de régression logistique pour expliquer une variable binaire (la présence ou l'absence d'une caractéristique donnée) à l'aide de variables explicatives

- Statistiques descriptives
Tableaux de données (individuelles, de fréquences, regroupées, croisant plusieurs variables)
Distribution (paramètres de forme, position, dispersion)
Associations (variables quantitatives et/ou qualitatives)
Représentations graphiques (variables quantitatives et/ou qualitatives)

- Lois et Simulations avec R
Lois connues
Générations de données sous R
La méthode du bootstrap

- Intervalles de confiance
Pour une moyenne
Pour une proportion
Pour une variance

- Tests d'hypothèses
Premiers tests statistiques paramétriques
De moyennes (test de Student)
De variances
De proportions (tests d'indépendance, de chi2)
De corrélation
Tests non paramétriques
Tests d'adéquation
Tests de position
P_valeurs (p-value)

- Analyse de variance
Anova simple (à un ou deux facteurs)
Anova pour mesures répétées

- Régression linéaire
Objectifs, contexte et modèles
Corrélation
Régression linéaire simple
Régression linéaire multiple
Tests et interprétations des sorties
Validation des hypothèses

- Régression logistique simple et multiple
Objectifs, contexte et modèles
Ajustements
Tests et interprétations des sorties
Validation des hypothèses (analyse des résidus)

Sans niveau particulier

Objectifs : Apprendre à utiliser le logiciel R pour analyser des données. Mettre en oeuvre dans R les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et analyse de données multidimensionnelles Compétences visées : - Importer, manipuler et analyser des données dans R - Effectuer des analyses statistiques univariées - Établir avec R des intervalles de confiance autour de paramètres comme moyenne, proportion et variance - Réaliser les principaux tests d'hypothèses paramétriques et non paramétriques dans le logiciel - Étudier numériquement et graphiquement la liaison entre 2 variables quantitatives, qualitatives ou de chaque nature - Mettre en oeuvre des analyses de la variance à un ou plusieurs facteurs pour la comparaison de moyennes de population - Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives. - Découvrir les principales méthodes d'analyse multidimensionnelle des données à l'aide du package FactoMineR

- Statistiques descriptives
Gestion d'un jeu de données - dataframe
Importation, caractérisation, sélection, sous-ensembles
Premières analyses d'un jeu de données
Premières vérifications, valeurs manquantes, recodage
Résumé d'une variable quantitative - numeric
Indicateurs numériques, représentations graphiques
Résumé d'une variable qualitative - factor
Indicateurs numériques, représentations graphiques

- Intervalle de confiance
Le raisonnement à partir d'un échantillon
Généralités, échantillonnage, estimation d'un paramètre
Intervalle de confiance d'une moyenne
Intervalle de confiance d'une proportion
Intervalle de confiance d'une variance

- Tests d'hypothèses
Qu'est-ce qu'un test d'hypothèse ?
Généralités, règle de décision, risques d'erreur, puissance
Les tests de conformité ou de comparaison à une norme
Conformité d'une moyenne, d'une proportion
Les tests de comparaison de deux populations
Comparaison de deux moyennes, de deux proportions
Test d'ajustement à une loi de probabilité normale
Le test de Shapiro-Wilk
Introduction aux tests non paramétriques
Test de Wilcoxon, Mann et Whitney, Kruskal Wallis, Friedman

- Liaisons entre deux variables
Liaison entre deux variables quantitatives
Nuage de points, intensité de la liaison, significativité
Liaison entre deux variables qualitatives
Tableau de contingence, intensité et significativité du lien de dépendance : test du khi2
Liaison entre une variable qualitative et quantitative
Comparaison de plusieurs populations, le rapport de corrélation
Liaisons entre plusieurs variables
Approches graphiques : matrice de nuages de points, treillis
Caractériser des sous-populations par plusieurs variables

- L'analyse de la variance - Anova
Analyse de la variance à un facteur
Variabilité inter, intra, totale - Rapport de corrélation - Le test de Fisher
Comparaisons multiples de moyennes
Analyses post hoc, la procédure de Tukey
Analyse de la variance à deux facteurs et interaction
Extensions de l'Anova
Modèle à effet fixe ou aléatoire, modèle hiérarchisé

- Régression linéaire simple et multiple
De la corrélation à la régression
L'intérêt d'un modèle - Variables à expliquer, explicatives, erreur
La régression linéaire simple
Ajustement par la méthode des moindres carrés - Tests et validation du modèle
La régression linéaire multiple
Choix d'un modèle de régression
Pourquoi sélectionner un sous-ensemble de variables explicatives ?
Les différentes approches et critères de sélection d'un modèle

- Analyse de données multidimensionnelles
Un panorama des méthodes multidimensionnelles
Analyses factorielles, classification - Le package FactoMineR
ACP : Analyse en Composantes principales
AFC : Analyse Factorielle des Correspondances
ACM : Analyse des correspondances Multiples
CAH : Classification Ascendante Hiérarchique

Sans niveau particulier

Objectif général : Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en oeuvre des applications pratiques dans R Objectifs détaillés : - Appréhender la problématique des données manquantes en balayant les impacts sur les analyses - Distinguer les différents types de données manquantes - Savoir mener un état des lieux des données manquantes - Connaître les différents stratégies à mettre à oeuvre pour traiter le problème - Examiner différentes méthodes telles l'exclusion, l'imputation simple ou multiple

- Problématique générale
Origine des données manquantes
Impact sur les analyses

- Les grands types de données manquantes
MCAR (Missing Completely At Random)
MAR (Missing At Random)
MNAR (Missing Not At Random)

- État des lieux des données manquantes
Détecter, synthétiser, lister les individus ou variables avec données manquantes
Pattern de données manquantes

- Panorama des différentes stratégies de traitement des données manquantes

- L'exclusion

- L'imputation simple
Par la moyenne
A l'aide d'un modèle
Par les k plus proches voisins

- L'imputation multiple

- Bilan

Sans niveau particulier

Objectifs Connaître le logiciel XLSTAT pour gérer les données, réaliser des analyses statistiques et graphiques. Apprendre à mettre en oeuvre les méthodes de statistiques descriptives, inférentielles, Anova, régression, analyse de données multidimensionnelles (ACP, AFC, ACM, classification), méthodes décisionnelles dans le logiciel XLSTAT. Compétences visées - Être familiarisé avec l'environnement XLSTAT et savoir gérer des données dans le logiciel - Réaliser des analyses statistiques descriptives univariées - Mettre en oeuvre l'inférence statistique (intervalles de confiance et tests) - Étudier les liaisons des variables deux à deux dans XLSTAT à l'aide d'indicateurs numériques et de graphiques adéquats selon la nature des données (quantitatives, qualitatives ou les deux) - Maîtriser les techniques de modélisation (analyse de la variance et régressions) dans le logiciel - Être initié aux méthodes décisionnelles (ou de classement)

- Rappels des bases de la statistique avec XLSTAT
Introduction - Prise en main du logiciel XLSTAT
Notions de base
Population, échantillon, individus, variables
Préparation et gestion des données
Construction de nouveaux tableaux, recodage de variables (mise en classes, regroupement de modalités, croisements)
Statistiques descriptives univariées
Résumés graphiques et numériques de variables :
Qualitatives : diagramme en secteurs, tableaux de fréquences
Quantitatives : indicateurs de tendance centrale et de dispersion, quantiles, histogramme, boîtes à moustaches, nuages de points

- Raisonnement à partir d'un échantillon avec XLSTAT
Intervalle de confiance
Tests paramétriques usuels
Conformité d'une moyenne. Comparaison de deux moyennes, de deux variance, de deux proportions
Test de normalité
Principaux tests non paramétriques
Tests de Mann et Whitney, Kruskal Wallis, Friedman, McNemar, Cochran

- Liaisons entre deux variables avec XLSTAT
Étude d'une corrélation linéaire
Nuage de points - Le coefficient de Pearson - Significativité d'une corrélation
Lien de dépendance entre deux variables qualitatives
Le tableau de contingence - Coefficients d'association - Le test du Khi 2
Liaison entre une variable qualitative et quantitative
Comparaison de populations
Caractérisation automatique d'une variable par d'autres variables

- Les méthodes du modèle linéaire avec XLSTAT
La régression linéaire simple et multiple
Un test pour comparer des modèles emboîtés
Le problème du choix d'un sous-modèle
Phénomène de multicolinéarité - Sélection de variables (optimale, pas à pas ascendante / descendante / stepwise)
Analyse de la variance (Anova) à un facteur
Anova à deux facteurs
Prise en compte d'interactions, généralisation à plusieurs facteurs
Analyse de la covariance (Ancova)
Notion de covariable

- Les méthodes d'analyse de données avec XLSTAT
Panorama des méthodes d'analyse multidimensionnelles
ACP - Analyse en Composantes Principales
Inertie d'un nuage de points, Ajustement d'un nuage, Aides à l'interprétation
AFC - Analyse Factorielle des Correspondances
Notions de profils lignes et profils colonnes. Visualiser un lien de dépendance
ACM - Analyse des Correspondances Multiples
Analyse des résultats d'une enquête par questionnaire. Une AFC particulière
CAH - Classification Ascendante Hiérarchique
Classification ascendante hiérarchique et méthodes de partitionnement direct (k - means). Interprétation des classes d'une partition

- Méthodes décisionnelles avec XLSTAT
Un panorama des méthodes décisionnelles (ou de classement)
AFD - L'analyse factorielle discriminante
Le cas particulier de la discrimination linéaire de Fisher. Qualité d'une règle de classement. Matrice de confusion
La régression ou discrimination logistique
Odds - ratio, Courbe ROC
Méthodes de segmentation (ou discrimination par arbre)

Sans niveau particulier

Objectif : S'approprier les outils, et les méthodes permettant de rendre son processus d'analyse de données sous R, aisé, reproductible, et performant Compétences visées : - Adopter une organisation efficace de son travail sous R - Simplifier la manipulation de données avec le package dplyr - Manipuler aisément les champs catégoriels (package forecats), textuels (package stringr) et de date (package lubridate) - Assembler des tables par jointure (par colonnes) et par fusion (par lignes) - Construire des graphiques élaborés grâce au package ggplot2 - Réaliser des documents automatisés à l'aide du package Rmarkdown - Découvrir la programmation fonctionnelle au travers du package purrr

- Organiser son travail sous R (2h)
Travailler en projet R : notion de working directory, workspace, history
Architecture de son projet R : data, plots, images, scripts, ...
Bonnes pratiques pour la création de fichiers de données
Importation et exportation de fichiers avec le package here
Mettre à jour ses packages
Mettre à jour R et R Studio

- Manipuler facilement ses données avec le package dplyr (3h)
Introduction au package tidyverse et à la notion de pipe
Filtrer des lignes avec la fonction filter()
Sélectionner des colonnes (variable) avec la fonction select()
Création de nouvelles variables avec la fonction mutate()
Renommer ses variable avec la fonction rename()
Calcul de paramètres par sous groupes : fonctions group_by() et summarise()
Passage du format wide au format long
Exercices

- Manipulation des variables catégorielles avec le package forecats (1h)
Inspecter les variables catégorielles avec les fonctions levels(), fct_count et fct_unique
Modifier l'ordre des modalités
Modifier le nom des modalités
Exercices

- Manipuler les chaînes de caractères avec le package stringr (1h)
Détection de patterns
Découpage
Gestion des longueurs
Remplacement
Exercices

- Manipuler des données de date : utilisation du package lubridate (1h)
Convertir les données au format YYYY-MM-DD et HH:MM:SS
Décomposer les éléments d'année, de mois et de jour
Calculer des différences de dates et les exprimer en jours ou heures
Exercices

- Assemblage de tables (2h)
Les différentes jointures (par colonne): left join, right join, inner join et full join
Assemblage par lignes
Exemple d'applications pour l'analyse de données
Exercices

- Réaliser des représentations graphiques performantes avec le package ggplot2 (4h)
Le principe des couches successives de ggplot2
Réalisation des graphiques de base : scatterplot, barplots, line plot, boxplots
Gestion des couleurs, titres, axes et légendes
Représentation des séries temporelles
Utilisation du format long et facetting
Ajouter du texte sur un graphique (ex : équation)
Exporter son graphique : format et résolution
Utilisation des addins esquisse et Colour Picker

- Générer dynamiquement son rapport d'analyse avec rmarkdown (4h)
Principe, formats de sorties (html, docx, pdf)
Les différents éléments d'un fichier Rmd : en-tête, chunk, ...
Gestion des éléments de texte : gras, italique, titre
Gestion des tables
Gestion des images
Gestion des graphiques
Gestion des options des éléments de code
Gestion de la table des matières et numérotation
Les rapports paramétrés : automatisation des rapports d'analyse par sous groupe

- Introduction à la programmation fonctionnelle avec le package purrr (2h)
Les list
Les fonctions map()
Nested data
Exercices

Sans niveau particulier

Objectifs Approfondir la connaissance de la détection d'anomalies dans un contexte de données numériques et/ou fonctionnelles à l'aide de méthodes principalement non-supervisées Compétences visées - Différencier une anomalie des valeurs influentes et extrêmes - Comprendre l'intérêt de détecter les anomalies - Mettre en oeuvre différentes méthodes statistiques pour la détection selon le contexte des données : méthodes univariées, méthodes multivariées basées sur un modèle probabiliste, sur la détermination d'un sous-espace ou sur la notion de proximité, méthodes pour des données fonctionnelles, méthodes pour des données en HDLSS

-Introduction
-Qu'est-ce qu'une anomalie ? une valeur influente ? une valeur extrême ?
-Les différentes motivations à la détection d'anomalies
-La notion de robustesse

-Les méthodes univariées
-La règle du k-sigma et test de Grubbs
-Règles du boxplot
-Tests en fonction de la distribution

-Les méthodes multivariées - généralités
-Les grandes approches dans la détection d'anomalies
-Évaluation des méthodes
o Caractéristiques souhaitées
o Métriques
o Contributeurs ou signature des défauts

-Les méthodes multivariées basées sur un modèle probabiliste
-T2 de Hotelling, la distance de Mahalanobis et sa version robuste
-Notion de profondeur et notion d'angles

-Les méthodes multivariées basées sur la détermination d'un sous-espace
-L'ACP et sa version robuste
-Les réseaux de neurones

-Les méthodes multivariées basées sur la notion de proximité
-La classification non supervisée
-Le LOF basé sur la densité

-Les méthodes pour des données fonctionnelles

-Introduction au contexte de données fonctionnelles
-L'analyse de données fonctionnelles
o Méthode de lissage
-Spline cubique
-Polynômes locaux
o Réduction de dimension
-Grandeurs statistiques (moyenne...)
-Décomposition en coefficients d'ondelettes
-Méthodes de détection d'anomalies dans un contexte univarié
-Méthodes de détection d'anomalies dans un contexte multivarié

-Les méthodes pour des données en HDLSS (grande dimension, faible taille d'échantillonnage)
-Présentation des challenges induits par ce contexte
-Les principales méthodes

Sans niveau particulier

Objectifs : Acquérir des bonnes pratiques en communication et présentations orientées « données » Compétences visées : - Apprendre à organiser ses résultats pour les présenter - Développer les bonnes pratiques pour communiquer sur des données chiffrées et pour choisir les représentations les plus pertinentes - Concevoir des présentations structurées, efficaces et convaincantes - Valoriser ses présentations en favorisant la créativité

- Introduction : spécificités des présentations « data »

- Définir le cadre de la présentation
Adapter le contenu au public
Préparer les supports adaptés au contexte
Synthétiser les informations à présenter
Présenter le contexte et la problématique
Présenter les résultats : du général au particulier
Conclure sur la présentation
Pratique : écrire une structure de présentation à partir d'un contexte et de différents documents mis à disposition

- Bonnes pratiques en visualisation de données
Différencier la visualisation d'exploration de la visualisation de communication
Visualisations courantes pour communiquer
Choix d'une visualisation en fonction des données et objectifs
Finaliser une visualisation : axes, légendes, couleurs, ...
Pratique : choisir des visualisations appropriées à l'objectif, dans le cadre d'une présentation

- Gagner en efficacité avec un logiciel de présentation
De la structure de présentation au support de présentation
Insertion de graphiques et commentaires
Utilisation des masques et dispositions
Commenter des chiffres et visualisations
Gestion des animations
Trucs et astuces avec PowerPoint
Pratique : créer un support de présentation adapté à une présentation

- Favoriser la créativité
Utiliser en direct un outil de visualisation
Communiquer avec des images
Oser l'humour et la créativité
Quelques exemples de visualisations innovantes
Pratique finale : présenter oralement les résultats d'une étude en se servant des différents éléments crées ou mis à disposition

Sans niveau particulier

Comprendre les concepts fondamentaux des bases de données relationnelles, écrire des requêtes SQL et se sensibiliser aux principes du RGPD.

- Concepts fondamentaux BDD et SGBD
Données structurées vs non-structurées
Présentation du langage SQL
SQL et l'analyse de données
Typage des données
Principe des tables et relations entre données
Notions de clés primaires
Clés étrangères et liens entre tables
Quizz récapitulatif sur les concepts fondamentaux

- Implémentation d'une BDD
Les différentes étapes dans la création d'une BDD
Le dictionnaire des données
Le modèle Conceptuel des données
Le modèle Logique des données
Le modèle physique des données (création de tables)
Les formes normales
Exercice : définir une structure de base de données (dictionnaire - MCD - MLD) à partir d'un contexte

- Création et utilisation d'une BDD
Les principaux SGBD
Création de tables (create table)
Chargement des données (insert)
Mises à jour (update) et suppressions (delete)
Requêtes (select)
Utilisation de l'outil SQLite ou MySQL
Pratique : construction d'une mini base de données et manipulations simples sur cette BDD

- Requêtes SQL : notions de base
Utilité et finalité des requêtes SQL
Algèbre relationnel
Structure générale d'une requête SQL (select - from - where)
Trier les données (sort)
Principes des jointures (join)
Pratique : écrire des requêtes simples

- Requêtes SQL : aller plus loin
Jointures internes et jointures externes
Bonnes pratiques sur les jointures
Principes de l'agrégation
Les opérateurs d'agrégation
Manipulations de chaînes et de date
Principes des requêtes imbriquées
Exécuter des requêtes SQL avec R ou Python
Pratique : écrire des requêtes plus complexes

- Sensibilisation au RGBD
Généralités sur le RGPD
Définitions
Données personnelles et anonymisation
Les 5 principes des règles de protection des données
Bonnes pratiques de prospection
Stockage et conservation des données
Le DPO et son rôle

Sans niveau particulier

Objectifs : Comprendre la méthodologie des méta-analyses et savoir en évaluer la robustesse Compétences visées : - Comprendre les outils statistiques appliqués aux méta-analyses pour analyser les résultats - Maîtriser les aspects méthodologiques des différents types de méta-analyses - Revoir les critères d'une lecture critique à partir d'une grille - Appréhender les méta-analyses en réseau

- Principes généraux des méta-analyses
Principaux types de méta-analyses
Extraction des données
Méta-analyses sur données publiées
Méta-analyses sur données individuelles

- Méthodologie des essais cliniques
Principes de base
Analyses stratifiées sur l'essai
Hétérogénéité des essais

- Exemple d'analyse critique de méta-analyse sur publication
Grille prisma : méthodologie et recommandations pratiques

- Méta-analyses en réseau
Méthodologie des méta-analyses en réseau
Biais à éviter
Exemples de méta-analyses en réseau

Sans niveau particulier

Objectifs : Connaître le logiciel SPAD pour gérer les données, réaliser des analyses statistiques et graphiques. Apprendre à mettre en oeuvre les méthodes de statistiques descriptives, inférentielles, Anova, régression, analyse de données multidimensionnelles (ACP, AFC, classification), Data Mining et Text Mining dans le logiciel SPAD Compétences visées : - Réaliser des analyses statistiques descriptives univariées avec SPAD - Mettre en oeuvre l'inférence statistique (intervalles de confiance et tests) dans le logiciel - Étudier les liaisons des variables deux à deux dans SPAD à l'aide d'indicateurs numériques et de graphiques adéquats selon la nature des données (quantitatives, qualitatives ou les deux) - Maîtriser les techniques de modélisation (analyse de la variance et régressions) dans le logiciel - Découvrir les principales méthodes exploratoires d'analyse des données (ACP, AFC, ACM et Classification) - Découvrir le Data Mining et Text Mining avec SPAD

- Traitements statistiques de base avec SPAD
Introduction - Prise en main du logiciel SPAD
Notions de base
Population, échantillon, individus, variables
Recodage de variables
Mise en classes, regroupement de modalités, croisements, ...
Préparation et gestion des données
Construction de nouveaux tableaux : empilé, juxtaposé, ...
Statistiques descriptives univariées
Résumés graphiques et numériques

- Raisonnement à partir d'un échantillon avec SPAD
Intervalle de confiance
Tests paramétriques usuels
Conformité d'une moyenne. Comparaison de deux moyennes, de deux variance, de deux proportions
Test de normalité
Principaux tests non paramétriques
Tests de Mann et Whitney, Kruskal Wallis, Friedman, McNemar, Cochran

- Liaisons entre deux variables avec SPAD
Étude d'une corrélation linéaire
Nuage de points - Le coefficient de Pearson - Significativité d'une corrélation
Liaison entre deux variables qualitatives
Le tableau de contingence - Coefficients d'association - Le test du Khi 2
Liaison entre une variable qualitative et quantitative
Caractérisation automatique de variables par d'autres variables

- Principales techniques de modélisation avec SPAD
L'analyse de la variance à un facteur
L'analyse de la variance à deux facteurs
La régression linéaire simple
La régression linéaire multiple

- L'analyse de données multidimensionnelles avec SPAD
ACP - Analyse en Composantes Principales
AFC - Analyse Factorielle des Correspondances
ACM - Analyse des Correspondances Multiples
CAH - Classification Ascendante Hiérarchique
La classification mixte

- Introduction au Data Mining et au Text Mining avec SPAD
Les arbres de décision
Le marquage sémantique
Les réseaux de neurones
Le Text Mining

Sans niveau particulier

Objectifs : Apprendre à gérer une équipe, à atteindre des objectifs opérationnels avec son équipe, à faire naître l'esprit d'équipe sur le terrain, à donner du sens à ses actes de management Compétences visées : S'approprier les techniques, outils et méthodes essentiels d'animation d'une équipe Identifier les axes d'optimisation pour amener son équipe vers la performance Être capable de mettre en oeuvre un management durable, efficient et humain

- Techniques, Méthodes et outils nécessaires pour animer une équipe
Définition d'une équipe
Faire naître l'esprit d'équipe
Motiver une équipe
Animer les revues d'équipe
Animation réunion
Anticiper et gérer les conflits
Faciliter le changement
Gérer son équipe comme « un coach »

- Mener son équipe vers la performance
L'organisation, la planification et l'optimisation des tâches au sein d'une équipe
La définition et le déploiement des axes de performance
Le pilotage par tableau de bord
L'évaluation de la performance de son équipe

- Pour un management des équipes durable, efficient et humain
Leadership efficient et humain, une contradiction ?
Le risque de la peur
Le levier de la communication
Apporter du sens - Activité mission
La place de l'éthique

Sans niveau particulier

Objectifs Acquérir les compétences nécessaires pour développer une véritable aisance dans le traitement, l'analyse des données et le reporting dynamique sous Excel Compétences visées Savoir importer, filtrer et manipuler de grands ensembles de données Appréhender l'importance de la structuration des données Enrichir les données de base à l'aide de formules utilisant les fonctions intégrées Être en mesure de décrire et de synthétiser les données au moyen d'indicateurs numériques Mener des tris à plat et des tris croisés pour une analyse statistique unidimensionnelle et bidimensionnelle des données Être familier avec les fonctions statistiques intégrées de la bibliothèque de fonctions Savoir choisir le graphique adapté aux données, aux résultats ou aux indicateurs de suivi Connaître l'ensemble des possibilités de représentation visuelle (mise en forme conditionnelle, graphiques statistiques, hiérarchiques, combinés, sparklines) Distinguer indicateurs de pilotage et indicateurs de performance Construire des indicateurs à partir de données pour piloter une activité ou en mesurer la performance Concevoir des tableaux de bord dynamiques pour faciliter l'analyse et la prise de décision

Ce cycle de formation Données avec Excel : Exploiter, Analyser vos données et Restituer des résultats est composé des modules suivants :

Traitement de données et visualisation avec Excel
Savoir appliquer des traitements Excel à des données (numériques ou non) pour les analyser et les représenter.

Analyser des données statistiques avec Excel
Mettre en oeuvre une analyse statistique dans Excel pour faire des choix pertinents, apprendre à en synthétiser les résultats pour les diffuser.

Indicateurs et tableaux de bord sous Excel
Donner du sens à des informations contenues en base de données en les transformant en indicateurs.
Construire un tableau de bord sous Excel à l'aide d'indicateurs pour favoriser une prise de décision éclairée.

Sans niveau particulier

Objectifs : Etre capable de réaliser une véritable étude statistique de premier niveau sur tout type de données avec Excel en vue de prendre les décisions les plus pertinentes. A l'issue de cette formation, vous serez en mesure de répondre à diverses problématiques parmi lesquelles : amélioration et rentabilisation de processus de production ou de service, réduction de coûts, augmentation de productivité et de qualité, ... Compétences visées : - Savoir mener une étude statistique dans le cas où les données ne sont pas disponibles sur l'ensemble de la population (contrairement à la statistique descriptive) - Extrapoler à la population entière les propriétés mises en évidence sur un échantillon - Identifier les lois de probabilités régissant ces données, au vu de l'échantillon de valeurs - Estimer les paramètres de ces lois - Calculer des intervalles de confiance pour ces paramètres - Définir un test statistique sur un paramètre à partir d'un échantillon en vue de prendre une décision concernant la valeur du paramètre - Mesurer les interactions entre plusieurs variables selon leur nature

- Introduction
Les grands domaines de la statistique et leurs applications illustrées d'exemples
Notions de base et vocabulaire

- Démarche de mise en oeuvre
Définir l'objectif de l'étude
Organiser et réaliser la collecte des données
L'analyse statistique
La synthèse
Le plan d'actions
Illustration au travers d'un cas concret

- L'analyse univariée avec Excel
Constitution d'un tableau de fréquences à partir d'une variable numérique ou non numérique
Les diverses représentations graphiques dans Excel, la finalité des outils, quelle technique utiliser dans quel cas.
Histogramme
Boîtes à moustaches
Diagramme temporel
Diagramme à points
Diagramme de densité
Diagramme à secteurs
Diagramme en bâtons
Diagramme de Pareto
La synthèse paramétrique avec Excel
Comment résumer de façon pertinente un ensemble de données pour faciliter la prise de décision. Exposé des divers paramètres avec exemples d'application.
Les indicateurs de tendance centrale (moyenne, médiane, mode)
Les indicateurs de dispersion (étendue, écart type et variance, quartiles)
Exposé détaillé du mode de calcul dans Excel (utilitaire d'analyse, formules et fonctions).
Une feuille de calcul Excel complète (graphiques et paramètres) sera fournie aux stagiaires pour faciliter le traitement des données univariées.

- L'analyse bivariée dans Excel
L'étude des variables deux à deux est indispensable pour révéler les corrélations. Selon la nature des variables des techniques de base seront mises en oeuvre.
Les tableaux croisés dynamiques : révéler la relation entre deux ensembles de données nominales
La comparaison de plusieurs groupes en moyenne et en dispersion
La relation entre variables numériques : calcul d'un coefficient de corrélation
Représentation graphique : le nuage de points et la courbe de tendance

Sans niveau particulier

Objectifs Connaître le logiciel Jamovi pour gérer les données, réaliser des analyses statistiques et générer des rapports Compétences visées - Se familiariser avec l'environnement de Jamovi, les fonctionnalités principales, les modules additionnels - Savoir importer des données, les manipuler et en réaliser l'exploration - Réaliser les tests d'hypothèses paramétriques et non paramétriques les plus courants dans le logiciel Jamovi - Mettre en oeuvre des analyses de la variance à un ou plusieurs facteurs pour la comparaison de moyennes de population - Élaborer un modèle établissant une relation linéaire entre une variable à expliquer et une (régression simple) ou plusieurs (régression multiple) variables explicatives - Réaliser des analyses multidimensionnelles - Gérer un projet Jamovi et générer des rapports

- Introduction à Jamovi
Présentation de Jamovi , avantages et fonctionnalités principales
Installation et configuration de Jamovi, les modules additionnels
Importation des données
Manipulations des données : changement du type, création de variables, filtre
Exploration des données : visualisation des variables, statistiques et graphiques descriptifs

- Tests statistiques courants
Test de normalité
Comparaison de 2 moyennes : test paramétrique (test t ) et non paramétriques (test de Wilcoxon)
Comparaison de 2 proportions (test du Chi2)

- Analyse de la variance
ANOVA paramétrique à un facteur et ANOVA non paramétrique (test de Kruskal-Wallis)
ANOVA à 2 facteurs

- Corrélations et régressions
Corrélation et régression linéaire simple
Régression linéaire multiple

- Analyses multi dimensionnelles
Analyses en composantes principales
Clustering hiérarchique

- Gestion de projets et rapports
Organisation des analyses dans un projet Jamovi
Génération de rapports

- Questions / réponses

Sans niveau particulier

Objectifs Mettre en oeuvre les principaux algorithmes d'apprentissage automatique pour la prédiction, analyser les résultats et comparer leur pertinence Compétences visées - Apprendre à analyser des données non structurées - Découvrir les méthodes de prédiction automatiques et leurs applications métiers (moteur de recommandation, traces numériques, ...) - Améliorer ses méthodes et les rendre efficaces en environnement de production.

- Comment analyser les données non-structurées
Exposé des méthodes de Data Science et des cas d'utilisation
Présentation d'exemples complets
Analyse de sentiments
Découverte et extraction automatique de thèmes et sujets de documents textes

- Méthodes de prédictions automatiques
Comment prédire des catégories
Comment extraire des tendances
Comment regrouper les données en familles naturelles

- Comment booster son chiffre d'affaires avec un moteur de recommandation
Les différentes approches
Comment choisir entre elles
Quelles sont les conséquences
Comment construire un moteur de recommandation

- Comment extraire de la valeur des transactions et des traces
Comment se servir des tickets de caisse et des logs de parcours web
Comment extraire des règles d'association et des paniers probables
Quels impacts sur le Business

- Comment améliorer ses méthodes et les rendre efficaces en environnement de production
Apprendre à construire de nouveaux prédicteurs (feature engineering)
Apprendre à réduire la complexité de la solution (feature selection)
Comment ré-utiliser les modèles prédictifs appris

Sans niveau particulier

Découvrir la statistique inférentielle permettant de généraliser à partir d'un échantillon (connaissance partielle d'un phénomène) afin de prendre une décision en sachant évaluer les deux types de risques associés. Maîtrise opérationnelle des notions d'estimation d'un paramètre, d'intervalle de confiance, de tests d'hypothèse, ... Compétences visées : Savoir estimer des paramètres à partir d'un échantillon et donner leur intervalle de confiance Évaluer les risques en fonction de la taille de l'échantillon Savoir mettre en oeuvre un test d'hypothèse Connaître les tests classiques sur paramètres, les tests de comparaison de population, les tests d'ajustements, de liaisons de variables et les tests non paramétriques

- Rappels de statistique et probabilité
Variables, individus, échantillons
Tendance centrale et dispersion
Calcul de probabilité et lois usuelles
Tendance vers la loi normale ou « loi des grands nombres »

- Estimation à partir d'un échantillon
Estimation d'une moyenne, d'une proportion
Distribution des statistiques calculées sur échantillon
Estimation par intervalle de confiance
Évaluation des risques en fonction de la taille de l'échantillon

- Les tests d'hypothèses
Mécanisme de la procédure de décision dite « test d'hypothèse »
Mesure des risques d'erreurs associés à la décision. L'hypothèse « nulle » et les autres
Tests classiques sur une moyenne, sur une proportion
Tests de comparaisons de deux populations
Échantillons indépendants et échantillons appariés
Tests d'ajustement
Test de liaison entre variables
Tests non paramétriques, test du Khi-2

- Introduction au ré-échantillonnage Bootstrap

Sans niveau particulier

Objectifs Comprendre le concept du Big Data Être capable d'identifier l'écosystème et comprendre les technologies associées Savoir anticiper son intégration dans les activités informatiques de l'entreprise Compétences visées - Avoir une introduction dédiée à la compréhension du Big Data - Comprendre et appréhender le potentiel de rupture qu'offre la Big Data - Connaître les méthodes et outils pour gérer efficacement un projet Big Data - Cerner les fondamentaux du Big Data pour optimiser son Business - Disposer d'une démonstration des principales technologies pour en comprendre les potentialités et les enjeux

- Définition commune du Big Data selon les grands acteurs du marché
Caractéristiques techniques des 3V de Gartner (Vélocité, Variété et Volume) et les variantes (Véracité, Valeur, Validité....)
Big Data : pourquoi maintenant ?
Traitement des données structurées, semi-structurées et déstructurées
Transformation des données massives en informations utiles et en valeur
Gestion des données en cycles, de l'acquisition à la gouvernance. Use Case et stratégies (GAFA (Google, Apple, Facebook, Amazon), exemples santé, grande distribution, bancassurance...)
Les grands acteurs et le marché du Big Data

- Description des technologies de référence du Big Data
NoSQL (Not Only SQL) et les nouvelles compétences attendues (Python, R, Scala, Java)...
Hadoop : un modèle d'open source du Big Data adopté par les grands acteurs de l'informatique (IBM, Oracle, Amazone, EMC, Google...)
Principaux composants d'Hadoop : HDFS (Hadoop Distributed File System), MapReduce, Pig, Flume, Zookeeper, H-BASE, Lucene, Hive, Cloudera, Oozie, Cassandra, Machine Learning...
Autres solutions : Docker, OpenStack, Elastic, Splunk...
Nouvelles architectures techniques pour traiter des données massives et non-structurées, en temps réel (SPARK)

- Relation entre Big Data et Cloud DaaS (Data as a Service)
Technologies associées au Cloud (datacenters, stockage, virtualisation, Grid, OS d'orchestration d'Openstack, réseaux...)
Emergence des solutions Big Data proposées en mode Cloud DaaS (Data as a service)

- Déploiement et utilisation du Big Data
Description d'une plate-forme de Big Data et bonnes pratiques
Intégration des données et systèmes existants à la plate-forme Big Data
Acquisition et qualification des données ouvertes des organisations publiques et sociales (Open Data)
Traitement des données à la volée (Data Streaming)
Analyse de données (Data Analytics et Business Intelligence)
Présentation des informations (Data Visualization)

- L'apport du NoSQL
Description des principales familles de bases de données NoSQL
Zoom sur MongoDb
Zoom sur Cassandra
Zoom sur Neo4j

- Une journée au coeur des écosystèmes Hadoop et Spark
Introduction générale
Les principales briques et leur rôle
PIG, Hive, Oozie, Flume, HDFS, MapReduce, Sqoop, Zookeeper, Hbase, Mahout, les connecteurs, ...
SparkML, SparkQL, MLlib, Kafka, Storm, Flink , Beam, ...
Démonstrations et discussions

Sans niveau particulier

Acquérir les bases théoriques et pratiques liées aux Systèmes d'Information Géographique (SIG), produire des documents cartographiques avec QGIS, logiciel Open-Source.

- Les données géographiques
Les données
Qu'est-ce qu'une donnée géographique ?
Données vecteurs/données raster
Système de projection
Stockage et organisation des données
Les métadonnées
Les bases de données géographiques
Les données géographiques de référence : BD TOPO, BD Ortho, RGE, Bd Parcellaire, ...
Les données métiers ou données thématiques
Les données en ligne

- Se familiariser avec QGIS
Présentation de QGIS
Situer QGIS parmi l'ensemble des logiciels SIG
Aperçu général des fonctions de bases
Aperçu des extensions disponibles
Premières manipulations de QGIS
L'interface de travail et sa personnalisation
La consultation des données géographiques
Consultation des données vectorielles et des images
Consultation des tables d'attributs
Modifier la symbologie associée à une couche
Gérer les superpositions et la transparence
Sauvegarder les modifications dans un projet

- Utiliser QGIS pour produire des cartes
Les bases de la cartographie
Savoir différencier les types de cartes
La préparation de la carte : les types de données, la notion d'échelle, le langage cartographique, les règles de sémiologie graphique
Construire la carte
Choisir les informations à représenter et les organiser
Utiliser et partager la bibliothèque de symboles de QGIS
Placer et gérer les textes de la carte
Construire une légende : organisation thématique et hiérarchique
Mise en page
Règles de mise en page, équilibre du document
Insertion des éléments clés de la mise en page : carte, échelle, légende, titre source
Insertion d'éléments d'habillage : logos
Sauvegarde et réutilisation d'un modèle de mise en page
Exportation de la carte dans différents formats et intégration dans un environnement de travail bureautique

- Manipuler et exploiter les tables d'attributs
Manipulation des tables d'attributs
Reconnaître la structure d'une table de données
Ajouter et mettre à jour une ou des colonnes par des calculs simples ou en utilisant des fonctions (surface, coordonnées)
Importer des données tableur et créer des jointures
Les fonctions de cartographie basées sur une analyse de données
Choisir le mode de représentation pertinent par rapport aux données, différenciation entre données qualitatives et données quantitatives
Représentation d'une variable par catégorie
Représentation d'une variable par couleur graduée
Représentation d'une variable avec des symboles proportionnels
Les requêtes sur les attributs
Langage et syntaxe
Les différents usages des requêtes
Sélection de données sur un ou plusieurs critères et sauvegarde du résultat
Filtrage d'une couche
Combinaison d'indicateurs pour produire une carte

Sans niveau particulier

Objectifs Connaître les concepts du langage Python ainsi que les principales librairies scientifiques : NumPy, Pandas, Matplotlib... Compétences visées - Débuter dans Python - S'approprier les bases du langage - Savoir programmer par modules et créer des packages - Utiliser la librairie (bibliothèque) standard de Python - S'initier à la programmation objets - Aller plus loin au travers d'éléments de syntaxe avancée - Acquérir de bonnes pratiques de développement - Gérer des tableaux de données, effectuer des calculs numériques avec NumPy - Tracer des graphiques et visualiser les données avec Matplotlib - Manipuler, transformer, agréger, indexer des données, réaliser des statistiques avec Pandas - S'initier aux principales librairies de Machine Learning / Deep Learning

- Introduction rapide
Historique
Installation
Premier programme
Principales versions
Prise en main de IPython

- Bases du langage
Opérateurs et expressions
Instructions de contrôle
Fonctions
Structures de données

- Modules et packages
Programmation modulaire
Importation de modules
Du module au Package

- Librairie standard
Gestion des fichiers
Gestion des répertoires
Interface avec le système

- Programmation objets (bases)
Définition de classes
Héritages
Gestion des exceptions
Surcharge des opérateurs

- Syntaxe avancée
Définitions fonctionnelles de listes
Itérateurs et générateurs
Décorateurs
Instructions "with" et Contextlib
Lambda fonctions

- Aide au développement
Documentation de code
Tests unitaires
Debugger
Installation de packages (pip)

- NumPy
Base de NumPy (tableaux et types)
Entrées/Sorties
Fonctions utiles
corrélation de données
polynômes
programmation fonctionnelle
Manipulation de matrices

- Matplotlib
Structure d'un graphe - éléments esthétiques
Layout et Annotations
Graphes en 3D
Graphes interactifs
Introduction à Seaborn
Introduction à VisPy (3D temps-réel)

- Pandas
Manipulation de Series et DataFrames
Indexation, Catégories
Fonctions numériques et statistiques
Lecture & écriture de données
Transformation de données
Agrégations
Time-Series
Visualisation

- Machine Learning
Introduction à SciKit-Learn
Introduction à TensorFlow
Introduction à PyTorch (Deep Learning)

Sans niveau particulier

Objectifs Apprenez à élaborer facilement et rapidement vos rapports d'analyse, rapports d'activités, documents de recherche et d'enseignement, avec le logiciel R Compétences visées - Apprendre les bases du format Rmarkdown pour travailler avec R de manière reproductible - Apprendre à générer des documents (TD, rapport d'analyse, projet d'article etc..) automatiquement et dynamiquement - S'initier à la création de scripts Rmarkdown paramétrés, afin de générer plus facilement des documents similaires mais sous différentes conditions (zone géographique, espèce animale, période de temps, etc)

- Introduction à Rmarkdown
Principe de Rmarkdown
Les formats de sorties
Organisation de son travail
Génération d'un premier rapport
Les différents éléments d'un fichier Rmd : en-tête, chunk, etc. .
L'éditeur de RStudio
Les ressources

- Premiers éléments
Gestion des parties texte : gras, italique, mise à la ligne, listes, titres
Gestion des parties code
Création des graphiques
Gestion des tables
Importation de données
Exécution du code
Réglages des options

- Etoffer son document
Numérotation des titres
Tables des matières
Insertion d'images
Insertion de liens hypertexte
Utiliser un élément de code dans le texte
La bibliographie

- Découverte des scripts paramétrés
Principe des scripts paramétrés
Processus : création, génération
Exemples
Mise en application

Sans niveau particulier

Apprendre à produire des documents cartographiques avec QGIS (logiciel Open-Source) : représentation cartographique, création de couches de données, importation de couches, mise en page, gestion des textes et des étiquettes, création de modèle, création d'atlas.

- Les bases de la cartographie
Les différents types de cartes
Les contraintes du langage cartographique
Les composantes du langage cartographique
L'habillage de la carte : légende, titre, échelle

- Les fonctionnalités de base de QGIS
Présentation de l'interface de travail
Création de couches
Modification et enregistrement de la symbologie
Utilisation et gestion de la bibliothèque de symboles
Étiquettes et annotations
Filtres sur les données

- Les étapes de la création d'une carte avec QGIS
Analyse des données ou des informations à représenter
Choix d'un type de représentation
Création de la carte
Mise en page
Exportation et diffusion

- Les différents types de cartes réalisables avec QGIS
Cartes d'inventaires
Cartes statistiques : calcul d'indicateurs et représentation
Cartes des typologies créés par combinaison d'indicateurs

- Gestion des textes et des étiquettes
Création de classes d'étiquettes
Personnalisation des étiquettes
Étiquetage avancé

- Utilisation de la fonction atlas et de collections de cartes
Création d'un plan d'assemblage
Mise en page type et automatisation de l'atlas
Personnalisation et ajout de données liées
Création de mise en page multipage avec gestion de vues

Sans niveau particulier

Objectifs Découvrir les concepts avancés du langage Python Interfacer Python avec d'autres langages Python et le génie logiciel

- Rappels de Programmation Orientée Objet
Types de base
Création de classes
Héritage, Polymorphisme...
Traitement des Exceptions
raise, try, except, finally
Le "Data-Model" et les fonctions "magiques"
Importations "avancées" - utilisation de . et ..

- Syntaxe avancée
Listes en "compréhension"
Itérateurs et générateurs
Modules itertools, collections
Lambda fonctions
Décorateurs
Instructions with et Contextlib
Instruction yield
Programmation asynchrone
Coroutines

- Classes avancées
Sous-classer les types de base
Résolution des héritages multiples
Cas de la méthode "super"
Descripteurs __get__ et __set__
Propriétés (properties)
dict__ et __slots__
Classes abstraites
Méta-programmation

- Introduction à l'écriture de packages
"Meilleures pratiques"
setup.py et scripts de contrôle
L'utilitaire pip
Installer un package
Désinstaller un package
Enregistrer et uploader un package

- Qualité logicielle
Annotations
Respect de la PEP 8 - normes de codage
Tests unitaires (doctest et unittest)
Taux de couverture - coverage

- Solutions d'optimisation
Réduction de la complexité
Bytecode et le module "dis"
Multithreading
Multiprocessing
Gestion des caches
Profiling
Analyse de l'occupation mémoire

- Interfaçage avec C / C++
Objectif et principe
SWIG
Cython
Le module ctypes

Sans niveau particulier

Objectif général : Maîtriser les fonctionnalités avancées de Tableau Desktop : visualisations et graphiques avancés, calculs complexes, fonctions statistiques, contrôles, ... Objectifs détaillés : Revoir les fonctionnalités de base du logiciel Tableau Desktop - Créer et utiliser des connexions de données - Savoir opérer des transformations sur les données - Effectuer des manipulations avancées de données - Mettre en oeuvre des visualisations avancées des données - Réaliser des représentations graphiques statistiques usuelles - Ajouter des prévisions et des courbes de tendance à une vue - Mettre en oeuvre un clustering basé sur l'algorithme k-means - Se perfectionner sur les champs calculés et les niveaux d'expression détaillés (LOD) - Enrichir ses tableaux de bord à l'aide de fonctionnalités avancées - Compléter ses bonnes pratiques d'utilisation du logiciel

- Rappel rapide sur les jointures
- Combiner des données de plusieurs tables d'une même source de données à l'aide de jointures
- Préparer les données pour les analyser
- Combiner des sources de données à l'aide des fonctions de fusion
- Concevoir des visualisations et des graphiques avancés
- Créer des calculs complexes
- Travailler avec les fonctions statistiques afin d'analyser les données
- Créer des paramètres et des contrôles pour permettre aux utilisateurs de définir des valeurs
- Optimiser les visualisations à l'aide du moteur de données, des extractions et de l'utilisation correcte des méthodes de connexion
- Créer des tableaux de bord efficaces

Sans niveau particulier

Objectifs Etre capable de réaliser une véritable étude statistique de premier niveau sur tout type de données avec Excel en vue de prendre les décisions les plus pertinentes. A l'issue de cette formation, vous serez en mesure de répondre à diverses problématiques parmi lesquelles : amélioration et rentabilisation de processus de production ou de service, réduction de coûts, augmentation de productivité et de qualité, ... Compétences visées - Savoir mener une étude statistique dans le cas où les données ne sont pas disponibles sur l'ensemble de la population (contrairement à la statistique descriptive) - Extrapoler à la population entière les propriétés mises en évidence sur un échantillon - Identifier les lois de probabilités régissant ces données, au vu de l'échantillon de valeurs - Estimer les paramètres de ces lois - Calculer des intervalles de confiance pour ces paramètres - Définir un test statistique sur un paramètre à partir d'un échantillon en vue de prendre une décision concernant la valeur du paramètre - Mesurer les interactions entre plusieurs variables selon leur nature

- Introduction
La démarche statistique
Les grandes étapes d'une étude statistique depuis la collecte des données jusqu'à la communication des résultats

- Les bases de la statistique décisionnelle
La collecte des données
Les principales méthodes d'échantillonnage avec exemples
La création d'une base de données exploitable statistiquement
Les lois de probabilité
Utilité dans le cadre d'une étude
La loi Normale, les principales autres lois et leurs applications concrètes
L'estimation des paramètres statistiques
Paramètres de tendance centrale (moyenne, médiane,...)
Paramètres de dispersion (étendues, écart type,...)
La notion d'intervalles de confiance
Mode de détermination
Applications

- La théorie des tests
Pourquoi est-il nécessaire de réaliser des tests ?
Présentation des grands types de tests et leurs applications : comparaison de moyennes (Student), comparaison de variances (Fisher), comparaison de proportions (Chi2), ...
Définition des hypothèses et des risques associés,
La réalisation pratique et détaillée des divers tests avec exemples
L'interprétation

- Les analyses bivariées
Les trois grands types d'analyse bivariée
Leurs domaines d'application
Leurs complémentarités
Exemples réels

- L'étude de sous-groupes avec l'analyse de la Variance (ANOVA)
Présentation de l'ANOVA : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas de l'ANOVA, précautions et procédure
Traitement d'exemples

- L'étude de la liaison entre deux variables numériques avec la régression linéaire simple : corrélation et modélisation
Présentation de la régression : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas de la régression, précautions et procédure
Traitement d'exemples

- L'étude de la liaison entre deux variables nominales avec le test d'indépendance du CHI²
Les tableaux croisés dynamiques d'Excel et leur application en statistique décisionnelle
Présentation du test d'indépendance : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas d'une analyse de deux ensembles de données nominales, précautions et procédure
Traitement d'exemples

- Illustration de la complémentarité de ces trois techniques fondamentales au travers d'un exemple réel entièrement traité en fin de formation avec Excel
Amélioration d'un processus logistique de distribution.
D'autres exemples pourront être évoqués selon les centres d'intérêt des participants.

Sans niveau particulier

Objectifs Exploiter la librairie Pandas du langage Python pour traiter vos problématiques et projets en Data Science Compétences visées - Maîtriser la librairie Pandas pour l'analyse de données - Connaître les subtilités des groupbys - Savoir manipuler les tables pivots et les tableaux croisés - Avoir des notions sur l'accélération des calculs avec Pandas - Connaître les bonnes pratiques en Data Science

- Tour d'horizon de la librairie Pandas
Vous utilisez Pandas pour vos analyses de données ou vos projets de Data Science, mais vous n'en maîtrisez pas tous les aspects ? Ce tour d'horizon vous permettra d'identifier toutes les possibilités qu'offre cette librairie. Par un exercice guidé, vous pourrez revoir les notions de bases pour l'utilisation de Pandas, des notions de visualisation de données avec Matplotlib, Pandas et Seaborn
Rappels sur les notions de bases de Pandas
Lecture de fichiers de données (csv, excel, SQL, parquet)
Description du jeu de données et analyse statistique simple
Implémenter des analyses et des visualisations différentes en fonction du type de données
Gestion des données manquantes
Manipulation de dates pour les Time Series
Gestion des chaînes de caractères
Mise en place des bonnes pratiques en Data Science

- Maîtriser les subtilités des groupbys
Les groupbys peuvent vous permettre de mieux appréhender les modalités dans votre jeu de données.
Groupby à simple indice avec les fonctions d'agrégations classiques
Personnalisation des fonctions d'agrégations
Groupby à multiples indices
Différence entre les fonctions apply et transform
Rappels sur les fonctions anonymes

- Tables pivots et tableaux croisés
Vous verrez par le biais de nombreux exemples et exercices, l‘intérêt des tables pivots et des tableaux croisés pour une représentation différente des jeux de données.
Fonctions d'agrégation et tables pivots
Matrice de contingence
Tableaux croisés

- Jointure de tables
Pour joindre des tables, il est possible de procéder par indice ou par colonne.
Notions d'axes
Concaténation
Merge selon une ou plusieurs clés
Jointure par rapport aux indices

- Atelier de mise en pratique sur une journée
Toutes les notions vues précédemment seront mises en pratique lors d'une journée de travaux pratiques sur un problème d'analyse de données complet mettant en oeuvre les bonnes pratiques à utiliser en Data Science.

- Accélération du calcul avec Pandas
Vous verrez quelles sont les librairies qui vous permettent de faire du multiprocessing avec Pandas
Boucler sur les lignes et les colonnes
Revenir aux basiques avec NumPy
Exemples avec la librairie Modin
Exemples avec la librairie Numba

Sans niveau particulier

Objectifs Savoir appliquer des traitements Excel à des données (numériques ou non) pour les analyser et les représenter. Cela passe par l'acquisition des données (import, conversion, connexion à des données externes) et des méthodes de structuration et d'enrichissement de la donnée. Les outils d'analyse d'Excel comme les tableaux croisés dynamiques peuvent alors être appelés et permettront de synthétiser l'information. Ensuite à l'aide des outils de visualisation d'Excel, vous pourrez illustrer de manière agréable et pertinente vos données, en fixant vous-même vos seuils pour les règles de mise en forme et en choisissant le graphique le plus adéquat par rapport à votre problématique. Compétences visées - Être en capacité de traiter des données (numériques ou non) pour les analyser et les représenter. - Acquérir les données à l'aide de divers outils d'import, de connexion à des données - Structurer les données, les enrichir préalablement à toute analyse - Construire des tableaux croisés dynamiques pour synthétiser l'information - Mettre en relief vos données avec la mise en forme conditionnelle et les visualiser en choisissant les graphiques adéquats en fonction de votre problématique

- Acquérir des données
Utiliser l'outil d'import des données et de conversion
Savoir consolider des données
Découvrir les connexions à des données externes

- Gérer des données
Savoir structurer ses données : les règles à respecter pour des analyses rigoureuses
Le format Tableau et ses multiples avantages
Présentation du langage de données structurées

- Enrichir vos données à l'aide de formules et fonctions intégrées
Concevoir une formule conditionnelle pour apporter une information complémentaire à vos données (une action à enclencher si un seuil est atteint ou dépassé), avec des fonctions d'Excel imbriquées
Compléter ses données en fusionnant l'information issue de listes distinctes
Ajouter des colonnes à une colonne de date pour une analyse plus fine (type de jour, numéro de semaine)
Savoir recoder l'information à l'aide de colonnes supplémentaires (avoir une colonne âge si on connait la date de naissance, avoir des tranches d'âge si on a l'âge, ...)

- Analyser vos données à l'aide des tableaux croisés et graphiques dynamiques
Concevoir des tableaux croisés dynamiques sur vos données pour constituer un rapport
Connaître les nombreuses possibilités de personnaliser les tableaux croisés dynamiques (renommage des libellés, afficher des pourcentages, mode tabulaire ou hiérarchique, fonction grouper, ...)
Savoir rafraîchir l'ensemble des tableaux et graphiques dynamiques
Définir des segments et connecter les segments aux tableaux croisés dynamiques

- Visualiser des données
Présentation des formats personnalisés et les codes associés
La mise en forme conditionnelle automatique
Comment gérer les règles de mise en forme conditionnelle pour des seuils adaptés à ses données
Choisir le bon graphique selon sa problématique

Sans niveau particulier

Objectifs Découvrir les principaux modèles de Machine Learning et les mettre en oeuvre dans Python à l'aide de Scikit Learn. Savoir évaluer la performance des modèles. S'initier au Deep Learning et à sa mise en pratique à l'aide de Tensorflow, Keras et statsmodels Compétences visées - Connaître le paysage des modèles de Machine Learning - Connaître les librairies les plus courantes associées au Machine Learning et Deep Learning (Sciki-Learn, Tensorflow, Keras, statsmodels) - Savoir mettre en place un projet Machine Learning - Avoir des notions avancées sur l'évaluation de modèles

- Concepts du Machine Learning (1.5 jour)
Tour d'horizon des applications du Machine Learning/Deep Learning et intelligence artificielle
Présentation des différents type d'apprentissage
Principe de la régression linéaire
Compromis Biais Variance
Modèles ensemblistes (Random Forest)
Modèles non linéaires (support vector Machine, Multi Layer Perceptron)
Réduction de dimensions (PCA, SparsePCA, Analyse factorielle)
Bonnes pratiques en Data Science

- Prise en main de la librairie scikit-learn (2 jours)
Présentation de scikit-learn
Exemples de modèles de classification supervisée sur un jeu de données (potentiellement proposé par les stagiaires)
Mise en place des étapes d'entraînement des modèles et bonnes pratiques (validation croisée, pénalisation, ajustement des hyperparamètres)
Sélection des variables
Importance des variables (globale et locales avec les algorithmes LIME et SHAP)
Évaluation de modèles dans le cas classification et dans le cas régression pour apprentissage supervisé

- Introduction au Deep Learning (1.5 jour)
Zoologie des types de couches de neurones artificielles
Principes de rétropropagation et mise à jour des paramètres
Mise en pratique avec un modèle simple de réseau de neurones convolutionnels pour de la classification d'image
Principe du transfer learning, knowledge distillation et entraînement à partir de 0
Éléments de traitement de langage naturel avec des réseaux de neurones (réseaux récurrents)

Sans niveau particulier

Objectifs Etre capable de réaliser une véritable étude statistique de premier niveau sur tout type de données avec Excel en vue de prendre les décisions les plus pertinentes. A l'issue de cette formation, vous serez en mesure de répondre à diverses problématiques parmi lesquelles : amélioration et rentabilisation de processus de production ou de service, réduction de coûts, augmentation de productivité et de qualité, ... Compétences visées - Savoir mener une étude statistique dans le cas où les données ne sont pas disponibles sur l'ensemble de la population (contrairement à la statistique descriptive) - Extrapoler à la population entière les propriétés mises en évidence sur un échantillon - Identifier les lois de probabilités régissant ces données, au vu de l'échantillon de valeurs - Estimer les paramètres de ces lois - Calculer des intervalles de confiance pour ces paramètres - Définir un test statistique sur un paramètre à partir d'un échantillon en vue de prendre une décision concernant la valeur du paramètre - Mesurer les interactions entre plusieurs variables selon leur nature

- Introduction
La démarche statistique
Les grandes étapes d'une étude statistique depuis la collecte des données jusqu'à la communication des résultats

- Les bases de la statistique décisionnelle
La collecte des données
Les principales méthodes d'échantillonnage avec exemples
La création d'une base de données exploitable statistiquement
Les lois de probabilité
Utilité dans le cadre d'une étude
La loi Normale, les principales autres lois et leurs applications concrètes
L'estimation des paramètres statistiques
Paramètres de tendance centrale (moyenne, médiane,...)
Paramètres de dispersion (étendues, écart type,...)
La notion d'intervalles de confiance
Mode de détermination
Applications

- La théorie des tests
Pourquoi est-il nécessaire de réaliser des tests ?
Présentation des grands types de tests et leurs applications : comparaison de moyennes (Student), comparaison de variances (Fisher), comparaison de proportions (Chi2), ...
Définition des hypothèses et des risques associés,
La réalisation pratique et détaillée des divers tests avec exemples
L'interprétation

- Les analyses bivariées
Les trois grands types d'analyse bivariée
Leurs domaines d'application
Leurs complémentarités
Exemples réels

- L'étude de sous-groupes avec l'analyse de la Variance (ANOVA)
Présentation de l'ANOVA : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas de l'ANOVA, précautions et procédure
Traitement d'exemples

- L'étude de la liaison entre deux variables numériques avec la régression linéaire simple : corrélation et modélisation
Présentation de la régression : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas de la régression, précautions et procédure
Traitement d'exemples

- L'étude de la liaison entre deux variables nominales avec le test d'indépendance du CHI²
Les tableaux croisés dynamiques d'Excel et leur application en statistique décisionnelle
Présentation du test d'indépendance : les types d'utilisations
Les hypothèses fondamentales
Réalisation pas à pas d'une analyse de deux ensembles de données nominales, précautions et procédure
Traitement d'exemples

- Illustration de la complémentarité de ces trois techniques fondamentales au travers d'un exemple réel entièrement traité en fin de formation avec Excel
Amélioration d'un processus logistique de distribution.
D'autres exemples pourront être évoqués selon les centres d'intérêt des participants.

Sans niveau particulier

Objectifs Maîtriser les réseaux bayésiens, technique mathématique combinant et savoir d'expert, afin d'analyser des données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d'un système, diagnostiquer les causes d'un phénomène, .... Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé (diagnostic), industrie, informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), banque et finances (analyse financière), management (aide à la décision, gestion du risque), ... Compétences visées - Affiner ces connaissances probabilités avec le calcul de différentes probabilités (conditionnelle, conjointe, marginale, ..) - Appréhender le théorème de Bayes - Découvrir les principes de construction de graphe d'un modèle bayésien - Construire un réseau bayésien multinomial dans le cas de variables discrètes - Construire un réseau bayésien gaussien dans le cas de variables continues - Construire un réseau bayésien hybride en présence de variables discrètes et continues

- Notions basiques de calculs de probabilité
Probabilités totales
Probabilités conditionnelles
Indépendance en probabilité
Probabilités conjointes
Probabilités marginales
Distributions de probabilité

- Le théorème de Bayes
Principe et utilisations concrètes
La règle de chaînage et le théorème de bayes généralisé

- Notions simples de graphes
Graphes, arcs et noeuds
La structure d'un graphe
Connexions en série, divergentes, convergentes
D-séparation

- Les Réseaux Bayésiens multinomiaux
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des tables de probabilité
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien discret, inférence bayésienne

- Les Réseaux Bayésiens gaussiens
Introduction avec exemple
Représentation graphique
Représentation probabiliste
Estimation des paramètres
Apprentissage de la structure du graphe
Utilisation d'un Réseau Bayésien gaussien, inférence bayésienne

- Les Réseaux Bayésiens Hybrides
Introduction avec exemple
Mélange de variables discrètes et continues
Discrétisation des variables continues

Sans niveau particulier

Objectif général : Découvrir les fondamentaux du logiciel Tableau afin de visualiser des données et créer des tableaux de bord Objectifs détaillés : - Découvrir la gamme de produits Tableau Software - Prendre en main l'outil Tableau Desktop - Savoir se connecter à des données de différentes sources - Mettre en oeuvre les manipulations de base pour le traitement des données - Créer des visuels à partir des données - Enrichir les données avec la création de champs calculés et de paramètres - Mettre en place des tableaux de bords interactifs - Connaître les bonnes pratiques dans le logiciel

- Introduction à la Business Intelligence (BI)

- Présentation de la suite Tableau Software

- Connexion aux données
Fichiers plats (Excel, Texte, JSON, XML)
Relationnel (Access, SQ Server)

- Organisation des données - Mise en place de jointures entre les tables
Rappel sur la cardinalité des jointures
Types de jointures : Interne, Gauche, Droite, ...
Affichage des relations entre valeurs numériques (clés)

- Simplification et tri des données
Supprimer, masquer des colonnes

- Création de colonnes calculées

- Création de mesures

- Travail avec des données de type date

- Utilisation de plusieurs mesures dans une vue

- Cartographie de données géographiques

- Affichage de valeurs spécifiques

- Personnalisation des données

- Analyse de données à l'aide de calculs de table rapides

- Présentation des visualisations

- Publication des rapports

Sans niveau particulier

Objectif : Acquérir la connaissance méthodologique et pratique de l'inférence bayésienne et ainsi être autonome dans l'utilisation des divers modèles. Compétences visées : Comprendre la logique de l'inférence bayésienne et la différence avec l'inférence classique. Être capable d'organiser les connaissances disponibles a priori. Connaître les stratégies de modélisation et leur traduction pratique dans les langages de programmation R, JAGS et WinBugs. Savoir choisir le bon modèle selon la problématique à traiter. Être capable de mettre en oeuvre les analyses et d'interpréter les résultats.

L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts,) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de données.

- Introduction
Principes de l'inférence bayésienne
Le théorème de Bayes en détail (Illustration : le test PCR COVID)

- La logique bayésienne
Différences et complémentarités avec l'approche « fréquentiste »
Les probabilités a priori et a posteriori
La vraisemblance (likelihood)

- Les lois de probabilité utilisées en modélisation bayésienne

- Un premier exemple simple d'inférence bayésienne : estimation d'une proportion (calcul « à la main »). Illustration : les sondages d'intention de vote

- Le calcul des posteriors avec la méthode Metropolis Hastings
MCMC : Markow Chains Monte Carlo
Exemple simple avec calcul détaillé

- Implémentation dans R
Le package JAGS
Le package WinBugs
Application sur un exemple simple : estimation d'une moyenne et d'un écart type :
Apport de l'inférence bayésienne par rapport à la logique « fréquentiste »
Mise en oeuvre détaillée dans R (JAGS et WinBugs)
Examen des résultats
Règles d'Interprétation

- Conception de modèles complexes dans l'inférence bayésienne :
Exposé sur les modèles linéaires
Exposé sur les modèles linéaires généralisés
L'inférence classique dite « fréquentielle » nécessite en général un grand nombre de données pour être performante. L'inférence bayésienne, quant à elle, permet l'utilisation rationnelle de toutes informations disponibles a priori sur le phénomène étudié (études antérieures, analyses similaires, connaissances d'experts,) et de les combiner avec l'information apportée par les données. Ainsi il est possible d'analyser de façon très efficace de petits volumes de données.

- Applications concrètes dans R avec nombreux exemples de traitement
Test de student pour la comparaison de deux moyennes (variances égales ou non)
ANOVA un facteur, ANOVA deux facteurs
Régression linéaire simple et multiple
Modèle linéaire généralisé, ANCOVA
Modèles linéaires à effets mixtes
Modèle linéaire généralisé : régression logistique
Aperçus sur les modèles avancés (GLMM poisson et binomial, binomial ANCOVA,...)

- Introduction aux réseaux bayésiens

Sans niveau particulier

Objectifs : Apprendre à construire et présenter un tableau, réaliser des calculs arithmétiques, utiliser des fonctions de calculs, insérer un graphique et gérer des données dans Excel Compétences visées : Se familiariser avec l'environnement du tableur Excel Appréhender la saisie de données et optimiser celle-ci Créer des formules avec des opérateurs numériques et non numériques Utiliser des fonctions de calcul dans les formules Élaborer un tableau et peaufiner sa présentation Construire un graphique à partir d'un tableau de données Gérer des données et savoir travailler la mise en page avant impression dans Excel

- Environnement de travail
Présentation du tableur
Présentation de la fenêtre Excel
Prise en main : lancement, arrêt de l'application

- Saisir et présenter
Saisir du texte, des nombres, des dates...
Notion de copie incrémentée (série, dates, numérique...)
Déplacer ou copier des données (clavier, souris)
Mettre en forme de cellules et d'une feuille de calcul
Modifier la largeur de colonne, la hauteur de ligne
Ajout de bordures, de motifs et de couleurs
Application de format numérique (%, nombre, dates..)
Alignement des contenus de cellules
Sélectionner, insérer et supprimer des lignes/des colonnes
La mise en forme conditionnelle

- Calculer dans une cellule
Calculs simples : +, -, *, /
Recopier une formule
Le collage spécial
Manipuler des Fonctions de calcul
Somme automatique (bouton somme)
Fonction moyenne, minimum, maximum, compteur...
Identifier Les Références de cellules
Distinguer référence absolue et relative
Application aux calculs de pourcentage
Application aux calculs décalés

- Construire et présenter un graphique
Rappel rapide sur les éléments d'un graphique
Sélectionner les données à représenter
Adapter l'échelle des axes et l'ordre de traçage des séries
Modifier la légende, les titres
Insérer du texte libre, des images
Afficher une courbe de tendance

- Exploiter des données
Trier sur un ou plusieurs critères
Appliquer des filtres
Réappliquer un filtre
Effacer les filtres

- Mettre en page
Modifier les marges, l'orientation, l'échelle de l'impression
Numéroter les pages (en-tête et pied de page)
Répéter les titres sur toutes les pages
Imprimer

Sans niveau particulier

Apprendre à mettre en oeuvre la méthodologie DMAIC dans le cadre d'un projet d'amélioration Lean Industrie ou Service.

- Introduction au Lean
- Qu'est-ce que le Lean
- Le Lean mis en pratique (jeu pédagogique)
- La démarche Lean Six Sigma
- La méthode DMAIC
- Les logiciels
- Define
- Measure
- Aanalyse
- Improve
- Control
- Conclusion
- Test de connaissance Lean Green Belt en vue de la certification

Sans niveau particulier

Objectif général : Apprendre à piloter un projet d'amélioration complexe industriel ou de service mettant en oeuvre un ensemble de techniques et outils Lean

- L'Homme au centre du Lean
La conduite de réunion - Les personnalités
Gestion du changement
Les 5 étapes du changement
La courbe du deuil
La communication
La gestion des personnalités
People management : Top Down et Bottom Up
La matrice de compétence

- DEFINE
Rappels Lean Green Belt

- Fil rouge projet Lean Black Belt #1 - Travail sur la phase DEFINE
Présentation du projet par chaque stagiaire
Identification de l'impact business
Définition des indicateurs principaux
Élaboration de la charte projet

- MEASURE
Rappels Lean Green Belt
Loi de Little

- Fil rouge projet Lean Black Belt #2(*) - Retour sur la phase précédente - Travail sur la Phase MEASURE
Présentation du plan de mesure par chaque stagiaire
Travail sur la qualification des outils de mesure
Présentation des données collectées
Présentation de premières tendances dégagées

- ANALYSE
Rappels Lean Green Belt
Les Flux - Le diagramme spaghetti

- Fil rouge projet Lean Black Belt #3(*) - Retour sur les phases précédentes - Travail sur la Phase ANALYZE
Chaque stagiaire présente son approche de la phase
Outils statistiques utilisés et conclusions tirées
Outils de recherche de cause racine utilisés et conclusions tirées
Conclusions de la phase ANALYZE

- IMPROVE
Rappels Lean Green Belt
SOP
TPM
TRS

- Fil rouge projet Lean Black Belt #4(*) - Retour sur les phases précédentes - Travail sur la Phase IMPROVE
Chaque stagiaire présente son approche de la phase
Démarches utilisées (brainstorming, autres outils)
Solutions identifiées
Priorisation des solutions (AMDEC, matrices de sélection ...)
Communication des solutions
Choix de la solution définitive

- CONTROL
Rappels Lean Green Belt

- Fil rouge projet Lean Black Belt #5 (*) - Retour sur les phases précédentes - Travail sur la Phase CONTROL
Présentation de l'approche de la phase par chaque stagiaire
Outils utilisés (Carte de contrôle, AMDEC, logigramme)
Data obtenues à ce stade
Conclusion globale sur le projet Lean Green Belt

- Les différents types améliorations
Le management par percée (Hoshin)
Kaizen Blitz
Kaikaku
Hoshin des Flux
Green Field

- La gestion de risques
L'AMDEC

- Conclusion

- Test de connaissance Lean Black Belt en vue de la certification

Sans niveau particulier

Objectifs Cette formation Yellow Belt certifiante vous permettra de participer à des projets Lean Six Sigma et d'y apporter votre connaissance de la méthodologie DMAIC et de la démarche LEAN. Compétences visées - Participer à des projets Lean Six Sigma dans un environnement professionnel, sous la direction d'un Green Belt ou d'un Black Belt - Contribuer à améliorer les processus ou la qualité des produits ou des services, à résoudre les dysfonctionnements au sein d'une organisation - Contribuer à limiter les gaspillages et la variation des processus au sein d'une organisation - Prendre part aux étapes Définir, Mesurer et Contrôler de la méthodologie DMAIC (définir, mesurer, analyser, améliorer, contrôler) - Mettre en oeuvre différents outils du Lean Six Sigma et les statistiques descriptives lors de la phase mesure - Comprendre les rôles et responsabilités dans la démarche Lean Six Sigma - Se préparer à l'examen de certification IASSC Lean Six Sigma Yellow Belt

Jour 1
- Pourquoi une démarche Lean Six Sigma ?
- La Valeur Ajoutée de la démarche Lean Six Sigma
- Les acteurs de la démarche Lean Six Sigma
- Comment déployer une démarche Lean Six Sigma dans l'Entreprise
- La Méthode DMAIC
- DMAIC : La Phase DEFINE - Définir
- Etude de cas Yellow Belt #1

Jour 2
- Introduction à La démarche LEAN
- DMAIC : La Phase MEASURE - Mesurer
- Étude de cas Yellow Belt #2
- Conclusion des jours 1 et 2

Jour 3
- DMAIC : La Phase ANALYZE - Analyser
- Étude de cas Yellow Belt #3
- DMAIC : La Phase IMPROVE - Améliorer

Jour 4
- Etude de cas Yellow Belt #4
- DMAIC : La phase CONTROL - Maîtriser
- Étude de cas Yellow Belt #5
- Conclusion des jours 3 et 4
- Test de connaissance Yellow Belt en vue de la certification

Sans niveau particulier

Ce stage Green Belt certifiant vous apprendra à piloter des projets Lean Six Sigma dans votre Entreprise. Vous saurez déployer une méthodologie DMAIC au sein de laquelle vous pourrez utiliser toute une palette d'outils (qualité, statistiques, gestion de projets, conduite du changement). Un projet d'Entreprise constituera le fil rouge de cette formation et vous permettra d'être rapidement opérationnel sur les méthodes et outils.

- Pourquoi une démarche Lean Six Sigma ?
- La Valeur Ajoutée de la démarche Lean Six Sigma
- Les acteurs de la démarche Lean Six Sigma
- Comment déployer une démarche Lean Six Sigma dans l'Entreprise
- La Méthode DMAIC
- DMAIC : La Phase DEFINE - Définir
- Fil rouge projet Green Belt #1
- DMAIC : La Phase MEASURE - Mesurer
- Les outils LEAN de la phase de Mesure
- Fil rouge projet Green Belt #2 (*)
- DMAIC : La Phase ANALYZE - Analyser
- Fil rouge projet Green Belt #3 (*)
- DMAIC : La Phase IMPROVE - Améliorer
- Fil rouge projet Green Belt #4 (*)
- DMAIC : La phase CONTROL - Maîtriser
- Fil rouge projet Green Belt #5 (*)
- Conclusion
- Test de connaissance Green Belt en vue de la certification

Sans niveau particulier

Objectif général : Cette formation Black Belt certifiante vous apprendra à piloter des projets Lean Six Sigma complexes, multisites et mettant en oeuvre de nombreux outils statistiques. Vous saurez déployer une méthodologie DMAIC au sein de laquelle vous pourrez utiliser toute une palette d'outils. Vous deviendrez le référent de votre Entreprise et pourrez encadrer des Green Belts. Un projet d'Entreprise pourra constituer le fil rouge de cette formation et vous permettre d'être rapidement opérationnel sur les méthodes et outils. Objectifs détaillés : - Rafraîchir sa connaissance de la démarche Lean Six Sigma (sa valeur ajoutée, les acteurs, le déploiement, la méthode DMAIC) - Pour chacune des phases du DMAIC, bénéficier de rappels et enrichir la palette d'outils / méthodes vus dans le cadre de votre formation Green Belt, notamment dans le domaine des statistiques - Se préparer à l'examen de certification Lean Six Sigma Black Belt

- La démarche Lean Six Sigma -
Rappels :
- DMAIC : La Phase DEFINE - Définir
- Fil rouge projet Black Belt - DEFINE
- DMAIC : La Phase MEASURE - Mesurer
- Fil rouge projet Black Belt - MEASURE
- DMAIC : La Phase ANALYZE - ANALYSER
- Fil rouge projet Black Belt - ANALYZE
- DMAIC : La Phase IMPROVE - AMELIORER
- Fil rouge projet Black Belt - IMPROVE
- DMAIC : La Phase CONTROL - MAITRISER
- Fil rouge projet Black Belt - CONTROL
- Test de connaissance Black Belt en vue de la certification

Sans niveau particulier

Objectifs : S'approprier les méthodes de base en biostatistique : statistique descriptive, échantillonnage, estimation, intervalles de confiance, tests ... Compétences visées : - Connaître les schémas d'étude en épidémiologie et recherche clinique et percevoir leur biais potentiel - Discerner les types de variables et connaître leurs représentations adéquates - Considérer les indicateurs de mesures centrales et de dispersion pour décrire les données - Savoir échantillonner, faire des estimations et calculer des intervalles de confiance - Comprendre le principe des tests statistiques - Mener des tests de comparaison de moyennes, de proportions et de variances - Mettre en oeuvre des tests pour échantillons appariés - Appréhender le risque relatif et le « odds ratio » - Découvrir les courbes ROC (receiver operating characteristic)

- Les schémas d'étude en épidémiologie et recherche clinique, ainsi que leur biais potentiels

- Types de variables et représentations graphiques

- Mesures de statistiques descriptives
Tendance centrale
Dispersion

- Echantillonnage

- Estimation

- Intervalles de confiance

- Principe des tests statistiques
Hypothèses
Risque d'erreur
Puissance d'un test

- Les tests de comparaison de moyennes
Tests paramétriques
Tests non paramétriques

- Les tests de comparaison de proportions
Tests paramétriques
Tests non paramétriques

- Les tests de comparaison de variances

- Tests pour échantillons appariés

- Risque relatif et odds ratio

- Courbes ROC (receiver operating characteristic)
Mise en relation de la sensibilité et de la spécificité d'un test
Notions de faux négatifs et de faux positifs

Sans niveau particulier

Objectifs S'approprier les principales méthodes de régression utilisées en Biostatistique. Savoir manipuler, analyser et interpréter des données avec différents types de modèles de régression Compétences visées - Mettre en oeuvre une régression linéaire, en dégager les paramètres du modèle et savoir interpréter les résultats en testant la qualité du modèle - Mener une analyser de la variance à un ou deux facteurs et savoir analyser la qualité du modèle - Être en capacité de réaliser une régression de Poisson et d'en interpréter les résultats - Connaître la régression logistique, savoir interpréter ses résultats et tester la significativité des paramètres du modèle - Modéliser le délai de survenue d'un évènement à l'aide des techniques d'analyses de survie

- Régression linéaire
Contexte (exemples, terminologie)
Définition du modèle
Estimation des paramètres du modèle
Tests d'hypothèses sur les paramètres du modèle
Codage des variables, modification de l'effet et confusion
Comparaison de modèles et sélection de variables
Étude de l'adéquation du modèle logistique

- Analyse de la Variance (ANOVA)
Contexte (exemples, terminologie)
Définition du modèle (hypothèses, interprétation des paramètres du modèle)
Analyse de la Variance à un facteur
Analyse de la Variance à deux facteurs
Tests d'hypothèses sur les paramètres du modèle

- Régression de Poisson
Contexte (exemples, terminologie)
Définition du modèle (hypothèses, surdispersion, interprétation des paramètres du modèle)
Estimation des paramètres du modèle
Tests d'hypothèses sur les paramètres du modèle
Codage des variables explicatives (binaire, qualitative)
Modification de l'effet et confusion
Comparaison de modèles et sélection de variables
Etude de l'adéquation du modèle de Poisson

- Régression logistique
Contexte (exemples, terminologie)
Définition du modèle (hypothèses, fonction logit, interprétation des paramètres du modèle)
Estimation des paramètres du modèle
Tests d'hypothèses sur les paramètres du modèle
Codage des variables explicatives (binaire, qualitative)
Modification de l'effet et confusion
Comparaison de modèles et sélection de variables
Etude de l'adéquation du modèle logistique

- Analyse de survie
Données de survie
Censure et troncature / exemples
Courbes de survie
Comparaison de courbes de survie
Modèles de régression

Sans niveau particulier

Objectif général : Comprendre les concepts et enjeux du Big Data ainsi que son impact sur l'Entreprise afin d'en piloter le déploiement Objectifs détaillés : - Comprendre et appréhender le potentiel de rupture qu'offre la Big Data - Identifier les principaux éléments d'une stratégie Big Data : les méthodes et outils, les acteurs, la sélection des projets, ... - Savoir gérer efficacement un projet Big Data : les méthodes et outils, les acteurs, les compétences, les écueils, ... - Cerner les fondamentaux du Big Data : les nouvelles théories comportementales et marketing, la création de valeur à partir des données, l'amélioration des produits et services, les questions juridiques et de Société - Bénéficier d'une démonstration des principales technologies

- Découvrir le Big Data pour le Business
Qu'est-ce que le Big Data ?
A quoi ça sert ?
Que peut-on en attendre ?

- Stratégie Big Data
Quelles méthodes et outils pour penser la stratégie Data ?
Qui sont les acteurs du changement ?
A quelle vitesse faut-il avancer ?
Comment identifier et sélectionner les bons projets ?
Quelles sont les priorités ?

- Comment Gérer efficacement un projet Data ?
Quelles sont les méthodes & outils ?
Quels écueils éviter ?
Quels acteurs de son organisation impliquer pour gérer les projets Data ?
Quels sont les différents profils dans un projet Data ?
Comment gérer les compétences dans une équipe Data ?

- Les fondamentaux du Big Data pour le Business
Des nouvelles théories comportementales et Marketing au Big Data
Comment les appliquer ?
Comment créer de la valeur à partir de ses données ?
Comment améliorer ses produits et services grâce au Big Data ?
Quels sont les enjeux juridiques et de Société ?

- Démonstration des principales technologies du Big Data pour en comprendre les potentialités et les enjeux

Sans niveau particulier

Objectifs Power BI est l'outil de Business Intelligence de Microsoft. Au cours de ce stage, vous apprendrez à : Importer, structurer puis exploiter et analyser des données de manière interactive Construire des rapports dynamiques à l'aide des outils d'aide à la décision, de reporting et de data visualisation (dataviz) Utiliser le langage DAX pour tirer le meilleur parti de ses données Compétences visées - Être familiarisé avec l'environnement Power BI Desktop et le service Power BI - Intégrer des données externes structurées (Excel, texte, SQL, SGBDR) ou non (XML, JSON, Web, ..) via l'ETL (extract transform load) Power Query - Effectuer des transformations sur des colonnes (suppression, ajout, découpage, assemblage) ou des modifications de valeurs dans les données - Modifier le langage M dans l'éditeur avancé - Modéliser les données avec Power Pivot pour mettre en relation les données et étendre les possibilités de tableaux croisés dynamiques - Créer des mesures et des KPIs - Exploiter les possibilités qu'offrent les fonctions et le langage DAX - Mettre en oeuvre les différentes représentations graphiques des données possibles - Produire des rapports interactifs - Publier les rapports avec le service Power BI - Rendre ses rapports disponibles sur applications mobiles

- La Business Intelligence en libre-service
Définition de Business Intelligence
La BI en entreprise
Avantages et nécessités de la BI en libre-service

- Power BI
Présentation des outils constitutifs de Power BI
Politique de licences
Workflow standard avec Power BI

- Acquisition de données structurées
Sources de données
Import vs DirectQuery
Acquisition depuis un SGBDR
Acquisition à l'aide d'une requête SQL
Acquisition à partir de classeurs Excel
Acquisition à partir de fichiers texte

- Acquisition de données peu ou pas structurées
Acquisition de fichiers XML
Acquisition de fichiers JSON
Acquisition à partir du Web
Acquisition à partir d'un service Web

- Transformations des données lors de l'import
De la potentielle nécessité de transformer les données
Outil de transformation intégré : Power Query
Transformations de base
Transformations plus avancées avec l'éditeur avancé et M

- Modélisation des données
Formes des modèles de données
Mise en relation de sources non jointes
Cardinalités : présentation du concept et mise en oeuvre
Définition de la direction des filtres
Ajout de colonnes calculées dans le modèle
Définition de mesures

- DAX
Présentation, définition et rôle de DAX dans Power BI
Principales fonctions liées aux types de données
Fonctions de filtres
Fonctions de création de jeux d'enregistrements
Création et utilisation d'une table de dates avec DAX

- Visualisations et représentation des données dans le rapport
Présentation et utilisation des visuels
Graphiques, intérêts et usages
Justification des écarts dans une série
Données géographiques et représentations spatiales
Tables et matrices
Cartes (non géographiques)
Segments
Visuels complémentaires
Installation de nouveaux visuels via la place de marché

- Rapports, pages et filtres
Propriétés des pages d'un rapport
Filtres de niveau rapport et filtres de niveau page
Utilisation de pages comme info-bulles
Définition des interactions entre visuels d'une même page
Extraction de données entre pages
Questions en langage naturel

- Partage de rapports via Power BI service
Publication d'un rapport
Partage de rapports et de données avec d'autres utilisateurs
Création d'un tableau de bord à partir de visuels
Définition de rôles et droits d'accès au niveau lignes
Utilisation d'un jeu de données partagé dans l'application de bureau

- Applications mobiles Power BI
Applications mobiles existantes
Préparation d'un rapport en vue de son affichage sur mobile
Configuration des alertes de l'application mobile

Sans niveau particulier

Objectif : Utiliser le langage Python pour manipuler et visualiser de grands ensembles de données (big data) en exploitant ses nombreuses librairies scientifiques Compétences visées : - Connaître les problématiques du Big Data - Connaître les différentes librairies Python permettant de manipuler le Big Data - Savoir manipuler de grands volumes de données - Avoir des notions sur l'architecture Big Data

- Concepts du Big Data
Cette introduction permet de vous initier à la problématique du Big Data
Volume, Vitesse, Véracité
Map Reduce
Architecture Big Data et Data Lake
Big Data et Cloud computing
Les outils du Big Data

- Introduction à la librairie Dask
Dask est une librairie qui permet de faire du calcul distribué sur plusieurs coeurs ou plusieurs machines avec la possibilité d'utiliser un scheduler. Dask peut donc accélérer le calcul sur de larges volumes de données.
Présentation de Dask
Exemple de calculs distribués
Dask et Numpy: comparaison de performances
Dask et Pandas

- Introduction à la librairie Xarray
Xarray est une librairie Python qui s'appuie sur Numpy et permet de manipuler de larges volumes de données. Cette librairie est particulièrement efficace pour des fichiers netCDF et peut s'utiliser de concert avec Dask
Présentation de Xarray
Exemples d'utilisation de Xarray
Mise en pratique avec un fichier netCDF

- Introduction à la librairie Vaex
Vaex est une librairie qui ressemble beaucoup à pandas mais qui fait des calculs à la volée sans gaspiller l'usage de la RAM. On peut dès lors traiter des données qui ont près de 1 milliard de lignes à la seconde.
Présentation de Vaex
Prise en main de Vaex avec des exemples
Comparaison entre Vaex et Pandas
Visualisation des données avec Vaex

- Introduction à Spark
Spark est un outil permettant le passage à l'échelle pour la gestion des données et le calcul distribué. Bien que géré par Apache, Spark est en Open Source et peut s'utiliser avec plusieurs langages dont Python
Présentation de Spark
Architecture Apache Spark
Autres outils associés à Spark (Yarn, Mesos)
Resilient Distributed Dataset (RDD)
Présentation et Installation de PySpark

- Introduction à PySpark
Vous verrez grâce une mise en pratique sur une journée la prise en main de PySpark, comment lire et gérer des données, comment appliquer des fonctions sur les données et comment appliquer une réduction de dimension

- Visualisation des données massives avec Holoviews
Manipuler des gros volumes de données n'est pas toujours suffisants, on veut pouvoir aussi les visualiser. La librairie Holoviews permet aussi bien de transformer des données massives que de les visualiser.
Présentation et prise en main d'Holoviews
Interactivité avec Holoviews

Sans niveau particulier

Objectifs Apprendre à utiliser les techniques de rééchantillonnage dont le Bootstrap pour évaluer la variabilité des paramètres statistiques dans des contextes où les hypothèses fortes (normalité, indépendance, ...) des méthodes classiques (régression multiple, analyse discriminante, estimation d'un rapport, intervalle de confiance pour une proportion) ne sont pas vérifiées Compétences visées - Appréhender les différentes méthodes de ré-échantillonnage - Comprendre l'intérêt de ces méthodes d'inférence statistique - Mettre en oeuvre la méthode du Bootstrap pour la comparaison de deux échantillons, la réalisation d'un test d'hypothèse, le calcul d'un intervalle de confiance entre 2 moyennes, l'estimation des paramètres d'une corrélation et d'un régression - Maîtriser les techniques pour améliorer les résultats - Découvrir les méthodes pour améliorer les intervalles

- Introduction aux méthodes de ré-échantillonnage
Rappels de statistique élémentaire
Quelle statistique utiliser?
Précision d'une estimation, intervalle de confiance
Trois méthodes - une méthodologie commune
Bootstrap
Jackknife
Tests de Permutation

- Effectuer les calculs
Comparer deux échantillons
Les étapes d'un test
Intervalle de confiance pour la différence entre 2 moyennes
Estimation d'une corrélation, d'une régression, etc.

- Améliorer les résultats
Dépendance entre 2 variables (quantitatives, qualitatives)
Améliorer les intervalles de confiance
Correction des biais
Stabilisation de la variance
Choisir une procédure de test

- Compléments sur l'estimation par intervalle
Pourquoi et comment améliorer les intervalles
Bootstrap-t
Bootstrap paramétrique
Utiliser le Bootstrap
Estimer la puissance et les tailles d'échantillon

Sans niveau particulier

Objectifs Donner du sens à des informations contenues en base de données en les transformant en indicateurs. Construire un tableau de bord sous Excel à l'aide d'indicateurs pour favoriser une prise de décision éclairée Compétences visées - Comprendre les étapes de construction d'un indicateur - Distinguer indicateurs de pilotage et indicateurs de performance - Savoir quels indicateurs envisager selon les types de variable - Connaître l'ensemble des icônes de mise en forme conditionnelle pour illustrer un indicateur - Choisir le type de graphique pertinent pour un indicateur donné - Concevoir un tableau de bord cohérent alliant plusieurs visuels

- La construction d'indicateurs
Définition d'un indicateur
Différents types d'indicateurs
Indicateur de situation
Indicateur d'évolution
Les différents types de variables (qualitatives et quantitatives)
Quels indicateurs pour quelles variables ?
Exemples d'indicateurs
Exercice de transformation d'une variable quantitative en variable qualitative et création d'un indicateur de fréquence

- Indicateurs et représentations graphiques sous Excel
Visualiser des données à l'aide d'indicateurs de mise en forme conditionnelle :
Heatmaps
Jeux d'icônes : 4 types
Exercice d'ajout d'indicateurs visuels à partir de jeux de données

Choisir le type de graphique pertinent pour un indicateur donné
Diagramme en anneau
Diagrammes en barre ou colonnes
Histogramme
Nuages de points ou diagramme de dispersion
Jauge
Tachymètre
Exercice de création d'indicateur visuel de type jauge de données

- Utilisation des indicateurs dans la création d'un tableau de bord sous Excel
Utiliser des indicateurs
Construire un tableau de bord
Ajout de segments et d'une chronologie pour filtrer le tableau de bord
Connexion de segments aux TDC et GCD
Exemples de tableaux de bord
Exercice de création d'un tableau de bord à partir d'indicateurs

Sans niveau particulier

Objectifs : Maîtriser les outils de Business Intelligence de Microsoft (Power Query, Power Pivot et Power Map) dans l'environnement Excel Compétences visées : - Intégrer des données externes à Excel via l'ETL (extract transform load) Power Query sur des données de différents formats - Effectuer des transformations sur des colonnes (suppression, ajout, découpage, assemblage) ou des modifications de valeurs dans les données - Identifier le langage M et apprendre à le modifier - Modéliser les données avec Power Pivot pour mettre en relation les données et étendre les possibilités de tableaux croisés dynamiques - Créer des mesures et des KPIs - Effectuer une représentation cartographique des données à l'aide de Power Map

- Outils de Business Intelligence dans Excel
Présentation du principe d'un ETL (Extract, Transform, Load)
Power BI, Power Query, Power Pivot : présentation, utilités, différences
Rappels Excel : Tables et leurs formules, Tableaux Croisés Dynamiques

- Intégration de données externes
Sources et sorties possibles
Obtention de données Excel, locales ou distantes
Obtention de données d'un fichier texte ou XML
Obtention de données issues d'un SGBDR
Autres sources de données (dossier, documents ou services Web...)

- Power Query : Editeur de requêtes
Tris, filtres, suppression de doublons
Travaux sur les colonnes à récupérer (ordonnancement, suppression, ajout, découpage, assemblage)
Formatage et remplacement de valeurs
Ajout de colonnes (valeurs, index, calculs, conditions)
Mise en relations de requêtes ou de jeux d'enregistrements
Modification d'une requête via l'éditeur avancé
Principes du langage M
Débogage d'une requête
Création de requêtes fonctions

- Modélisation des données avec Power Pivot
Vocabulaire Power Pivot (Perspective, mesure, KPI)
Modèle de données de Power Pivot
Tableaux et graphiques croisés dynamiques basés sur Power Pivot
Mesures et KPIs
Actualisation sur demande et automatique

- Représentations géographiques avec Power Map

- Présentation de Power BI, l'outil de Business Intelligence de Microsoft

Sans niveau particulier

Objectifs : Apprendre à construire et présenter des graphiques à partir de tableaux de données Compétences visées : Produire un graphique et savoir personnaliser sa mise forme Organiser les données pour construire un graphique Choisir le graphique adapté à vos données Intégrer des graphiques de différents types (à barres, à secteur, radar, nuage, Pareto, boite à moustaches, compartiment, ...) Construire des graphiques complexes et des mini-graphiques de tendance Établir des prévisions

- Présentation des différents types de graphique
Graphique à 1 axe
Graphiques à 2 ou 3 axes
Graphique en étoiles

- Réussir un graphique : les étapes à respecter
Analyser les données
Choisir le graphique approprié
Mettre en forme le graphique et renforcer son impact

- Construire et mettre en forme un graphique
Rappel rapide sur les bases
Ajuster, compléter les données sources pour faciliter l'analyse
Faire référence à des données sur une ou plusieurs feuilles
Adapter l'échelle des axes et l'ordre de traçage des séries
Modifier la légende, les titres
Insérer du texte libre, des images
Afficher une courbe de tendance

- Construire des graphiques élaborés
Combiner plusieurs types de graphiques en un seul
Utiliser les graphiques Sparklines

Sans niveau particulier

Objectifs : Apprendre à construire des formules et utiliser les fonctions intégrées d'Excel dans les formules pour extraire ou synthétiser de l'information et/ou enrichir vos données Compétences visées : Apprendre à construire une formule en connaissance des différents composants Utiliser les fonctions intégrées d'Excel dans les formules Créer des formules simples, des formules conditionnelles et des formules avec fonctions imbriquées Mener une recopie de formule optimale en gérant les références relatives et absolues Rendre les formules compréhensibles à l'aide des zones nommées Savoir la significations des codes d'erreur et gérer les erreurs de syntaxe Manipuler des fonctions de différentes catégories : de texte, logiques, de recherche, de dates/heure, statistiques/mathématiques, conditionnelles Appréhender la puissance du calcul matriciel

- Construire une formule
La barre de formules
Les opérateurs (mathématiques, de concaténation, de référence)
Le parenthésage
Les références de plage ou constantes en opérandes
La bibliothèque de fonctions intégrées

- Utiliser les fonctions dans une formule
La syntaxe des fonctions
Insérer une fonction dans une formule, l'assistant fonction
Imbriquer des fonctions
La recopie des formules en maitrisant les références relatives/absolues
L'audit de formules

- La notion de noms
Nommer les cellules
Créer, définir un nom
Utiliser les noms dans les formules
Gestion des noms

- Gérer les erreurs dans les formules
Distinguer les codes erreurs
La référence circulaire à éviter
Corriger les erreurs avec les aides d'Excel

- Manipuler les fonctions
Fonctions de texte (GAUCHE/DROITE, STXT)
Fonctions logiques (SI, ET, OU, OUX, SIERREUR, SI.CONDITIONS)
Fonctions de recherche (RECHERCHEV, RECHERCHEX, INDEX, EQUIV)
Fonctions de date et heure (DATEDIF, ANNEE, MOIS, JOURSEM, NO.SEMAINE, DATEVAL)
Fonctions statistiques, mathématiques (MOYENNE/MEDIANE, PETITE.VALEUR/GRANDE.VALEUR, RANG, ARRONDI)
Fonctions conditionnelles (NB.SI SOMME.SI, SOMME.SI.ENS)

- Découvrir les formules et fonctions matricielles
Créer une formule matricielle avec des opérateurs standard
Calculer avec des fonctions matricielles renvoyant un résultat simple (SOMMEPROD) / un résultat multiple (FREQUENCE)
Les fonctions matricielles dynamiques (TRIER, UNIQUE, RECHERCHEX) avec Excel 365

Sans niveau particulier

Dresser un tableau complet de l'architecture du Web et des technologies concernées dans la construction d'un site (HTML, CSS, JavaScript) en s'appuyant sur Wordpress.

- Présentation de WordPress
Installation du CMS WordPress
Installation
Création de la base de données
Configuration
Utilisation du CMS WordPress
Création de pages et articles
Gestion des catégories
Extensions de WordPress
Modèles de pages
Présentation de quelques plugins :
Contact Form 7, pour la création de formulaires
qTranslate-X, pour rendre votre site multilingue
Yoast SEO, pour optimiser le référencement de votre site

- Le langage HTML
Notions du langage HTML
La structure d'un fichier HTML
Les listes
Les liens hypertextes
Les images
Les tableaux
Les nouveautés du langage HTML 5
Les balises audio, video et figure
La balise canvas

- Le langage CSS
Notions du langage CSS
Présentation des feuilles de style
Les sélecteurs CSS
Les nouveautés du langage CSS 3
Le sélecteur not
Le sélecteur nth-child
Les sélecteurs shadow et border

- Le langage JavaScript
Notions du langage javascript
Manipulation des balises image et canvas
Gestion des évènements

- Découverte des web services en JavaScript

Sans niveau particulier

Maîtriser le langage CSS3 pour présenter les contenus web de façon optimisée et adaptative.

- Rappels : les documents Web et les langages associés
Historique des langages et technologies du web
Quel langage pour quel effet ?
Editeurs dédiés et outils en ligne de tests
Outils de débogage des navigateurs web
Documentations en ligne

- Concepts de base de CSS
Présentation de CSS
Anatomie des règles CSS
Valeurs, types et unités en CSS
Attributs raccourcis
Liaison entre document HTML et feuilles de styles CSS

- Sélecteurs CSS3
Les sélecteurs simples
Concepts du DOM
Les sélecteurs hiérarchiques
Les sélecteurs liés aux attributs
Les sélecteurs de position
Les sélecteurs d'état
Héritage et ordre d'application des règles CSS

- Mise en forme de contenus
Attributs de texte et police
Attributs d'arrière-plan
Puces, numéros
Attributs d'alignement et d'espacement

- Mise en page de documents
Le modèle de boîtes de CSS
Marges, bordures, dimensions
La mise en page historique (positionnements naturels et habillages)
Le flexbox
La grille de CSS3
Le positionnement absolu et l'empilement des éléments

- Animations
Principes d'animation en CSS3
Définition de scénarii d'animation
Application d'un scénario d'animation à des éléments
Avantages et inconvénients des animations purement CSS

- Mise en page adaptative CSS
Principes de mise en page adaptative
Les sélecteurs CSS3 utiles au design adaptatif
Tester un document sur d'autres affichages que le navigateur web.

Sans niveau particulier

Objectifs Acquérir la connaissance méthodologique et pratique de la Maîtrise Statistique des Processus (MSP/SPC) et des différents types de cartes de contrôle Compétences visées - Connaître les concepts de capabilité de la mesure et de capabilité du procédé - Découvrir les cartes de contrôle : principe, construction, suivi - Maîtriser les principales cartes de contrôle et être capable de les mettre en oeuvre dans un logiciel

- Introduction générale

- Préalable à la Maîtrise Statistique des Processus (MSP/SPC) : la capabilité de la mesure
Notions de métrologie
Sources de variation - Causes communes (aléatoires), causes spéciales (assignables)
Introduction aux études d'incertitudes (gage R&R)

- La capabilité du procédé
Introduction au Six Sigma
Indice de capabilité Cp et Cpk
Calculs dans le cas de paramètres ne suivant pas la loi Normale

- Les cartes de contrôle
Les principes de la carte de contrôle
Construction d'une carte de contrôle : mode d'échantillonnage et calcul des limites de contrôle à partir d'une période de référence
Différences entre limites de contrôle et limites de spécification
Le taux de fausses alarmes dans le cas gaussien (loi Normale)
Les règles de Western Electric pour déterminer si un procédé est hors-contrôle
Les différents types de cartes de contrôle
Cartes simples de type individuelles
Cartes de Shewhart (moyenne / dispersion) pour la détection de déréglages rapides : Xbar/R, Xbar/S
Cartes CUSUM et de type EWMA (moyennes mobiles) pour la détection de déréglages lents
Cartes aux attributs de type cartes P ou cartes C
Cartes multivariées (T2 de Hotelling)
Cartes de contrôle sous hypothèses non-standards
Différentes sources de variation
Limites de contrôle dans le cas de paramètres non gaussiens
Données auto-corrélées
Réaction en cas de hors-contrôle
La Maîtrise Statistique des Processus dans l'Entreprise

Sans niveau particulier

Acquérir une connaissance approfondie des différentes cartographies de processus.

Journée 1 - Connaissance de l'approche processus

- Les fondamentaux
Rappel des fondamentaux : définitions, concepts fondateurs, courants d'idées, évolutions, enjeux et objectifs
Grands principes de management qualité selon les normes ISO version 2015
L'approche processus selon les normes ISO version 2015

- Le management par l'approche processus
Découvrir et manager l'approche processus selon les normes ISO:2015, revue des exigences et des étapes de réalisation
Identifier les processus : définition des activités, des données d'entrée et de sortie, des responsabilités et interactions
La fiche du processus, sa représentation graphique : principes de réalisation
Pilote de processus ou comment manager un processus : les attitudes, la motivation des collaborateurs, le recueil et la transmission des informations, les principes à respecter
Le système documentaire : établir les procédures, les modes opératoires et les enregistrements du processus

- La représentation graphique des processus
Les différentes familles de processus
Les différentes représentations graphiques
La détermination des processus nécessaires au système de management
La méthodologie : recherche des paramètres influents, des éléments d'entrée et de sortie par l'approche transversale
La cartographie du système de management et des processus
Établir la fiche d'identité du processus
Réalisation d'un cas pratique (travail de groupe), restitution et analyse

Journée 2 - Surveillance et mesure des processus

- Méthodes et outils de surveillance et de mesure d'un processus
Définir le périmètre du processus, les responsabilités et les différents modes de pilotage
Maîtrise des processus et mesure de la performance
Définir des indicateurs pertinents et cohérents afin de mesurer la performance d'un processus
Construire un tableau de bord
La revue des performances
Les outils d'analyse d'un processus : analyse de risque et d'opportunités selon les normes ISO version 2015
La VSM Value Stream Mapping, flux de valeur pour un produit ou un service
Le lean management : principes et outils (Muda, 3G, 5S, etc.)
Réalisation d'un cas pratique (travail de groupe), restitution et analyse

- Manager et optimiser un processus
Suivi et analyse des données : les différentes méthodes et sources de données
Restituer les résultats et rédiger des documents pertinents
Revue de cas pratiques
Rechercher des axes d'amélioration et des plans d'actions : les sources et les outils
Actions d'amélioration et traitement des non-conformités : revue des différents types d'actions
Construire le tableau de suivi
Veiller à la performance collective et individuelle des processus : les revues de direction

Sans niveau particulier

Comprendre le paradigme de la programmation parallèle Identifier les goulots d'étranglement et les parties parallélisables de votre programme Avoir une bonne compréhension du paysage des librairies de calcul parallèle disponibles pour Python Savoir développer des applications parallélisées (multithreading, multiprocessing, calcul distribué, cloud computing) Exécuter des calculs sur GPU (cartes graphiques) Créer des workflows de traitement de données

- Etat de l'art de la discipline et concepts de base
Historique des supercalculateurs
Comprendre les différentes architectures disponibles pour le calcul parallèle (CPU, GPU, TPU, ASIC, FPGA, NUMA... )
Tout n'est pas parallélisable : comprendre les limites de la programmation parallèle
Présentation du paysage de calcul parallèle avec Python

Travaux pratiques
Identifier les capacités matérielles de votre ordinateur. Mesurer les performances/limites de votre configuration (disques, mémoire, processeurs, ...).
Configurer son environnement de calcul parallèle.
Administrer une ferme de serveurs avec ansible


- Les concepts de la programmation parallèle
Comprendre la terminologie: programmation asynchrone, concurrente, distribuée, multithreading, multiprocessing, ...
Multithreading : paralléliser le code de votre programme - mise en oeuvre des concepts de base
Comprendre les limites du multithreading en Python
Multiprocessing : paralléliser votre programme sur plusieurs processeurs et mécanismes de synchronisation (verrous, sémaphores, barrières, pools de process...)

Travaux pratiques
Application des concepts de base aux travers d'exercices pratiques.
Mesurer les différences de performances entre les librairies multithreading et multiprocessing.
Premier cluster de calcul distribué avec les Managers et Proxy.


- Le calcul sur GPU
Un GPU ne se programme pas comme un CPU.
Comprendre les architectures GPU : kernels, mémoire, threads, ...
Travailler avec des cartes graphiques externes (eGPU)
Mise en oeuvre des principales librairies Python pour GPU: Cupy, PyCUDA, Numba et RapidsAI

Travaux pratiques
Identifier quand un GPU devient plus intéressant qu'un CPU.
Traitement d'images, calcul matriciel, tester la fiabilité d'un mot de passe, ...


- Calcul distribué
Les principales librairies : Celery, Dask et PySpark
Déployer et superviser un cluster de calcul parallèle avec chacune des librairies
Exécuter des calculs sur un cluster

Travaux pratiques
Batch de tâches avec Celery.
Calcul numérique et analyse de données avec Dask (array et dataframe)
Analyse de données avec les DataFrames Spark et la librairie Koalas.


- Créer un pipeline de traitement de données
Présentation des librairies Luigi et Airflow
Concevoir et superviser son workflow

Travaux pratiques
Réaliser un workflow sur un ensemble de fichiers volumineux et le superviser avec Airflow.


- Tour d'horizon des autres librairies Python pour le calcul parallèle
La compilation Just In Time avec Numba
Greenlets : vers un meilleur multithreading
MPI4Py : Message Passing Interface
Pythran : Le transpileur qui convertit votre code Python en C++

Travaux pratiques
Exercices de base illustrant les principes de chacune des librairies

Sans niveau particulier

Assurer la promotion et le déploiement de la démarche Lean Six Sigma dans votre organisation, y apporter votre connaissance de la méthodologie DMAIC et de la démarche Lean.

Jour 1

- Pourquoi une démarche Lean Six Sigma ?
Quelles sont les problématiques relevant d'une démarche Lean Six Sigma ?
Exemples de problématiques

- La Valeur Ajoutée de la démarche Lean Six Sigma
Différences entre la démarche Lean Six Sigma et les méthodes traditionnelles d'amélioration de la performance (exemple PDCA)

- Les acteurs de la démarche Lean Six Sigma
Présentation des acteurs (Sponsor, Champion, Propriétaire du processus, Yellow Belt, Green Belt, Black Belt), de leurs rôles et de leurs compétences attendues
Présentation des certifications Yellow Belt, Green Belt et Black Belt
Analyse des différences entre les certifications et entre les rôles

- Comment déployer une démarche Lean Six Sigma dans l'Entreprise
Présentation des activités nécessaires au déploiement de la démarche
Communication top=>down
Communication bottom=>up
Travail du sponsor
Choix des projets pilotes

- Plan de Communication de la démarche Lean Six Sigma
Pourquoi un plan de communication ?
Les partenaires et parties intéressées
Contenu du plan de communication
Méthodes de communication

- Identifier les coûts de la démarche Lean Six Sigma
Impacts pour l'Entreprise
Améliorations attendues
Les différents types de gain
Réductions de coûts réelles vs potentielles
Exemple de calcul de coût

Jour 2

- La Méthode DMAIC
Présentation globale de la méthode DMAIC
Méthode d'amélioration de la performance et de réduction de la variabilité
Approche globale de la méthode (De Définir à Contrôler)
Présentation rapide de chaque étape (DEFINE - MEASURE - ANALYZE - IMPROVE - CONTROL)

- DMAIC : La Phase DEFINE - Définir
Un préalable : comment choisir le bon projet
La matrice de sélection
L'AMDEC (Analyse des Modes de Défaillances de leurs Effets et de leur criticité)
Élaboration de la charte Projet
Impact business
Cartographie et périmètre du projet : 5M et SIPOC
Indicateurs quantifiés
Choix des acteurs et établissement du planning : RACI

- Introduction à La démarche LEAN
Présentation de la démarche LEAN
L'orientation client
La valeur et le flux de valeur
La réduction des coûts
L'amélioration continue

- Etude de cas Champion
Présentation de l'étude de cas
Élaboration de la charte projet

- Pérennisation de la Démarche Six Sigma dans l'Entreprise

Sans niveau particulier

Objectifs S'approprier les méthodes et les critères scientifiques des essais cliniques. Comprendre la démonstration de l'efficacité d'un nouveau traitement ou d'un nouveau dispositif médical Compétences visées - Comprendre la méthodologie des essais cliniques et la réglementation associée - S'approprier les concepts statistiques associés (tests, indices d'efficacité et critère de jugement principal, analyses intermédiaires) - Identifier les difficultés éventuelles, les pièges à éviter - Présenter des stratégies d'analyse

- Méthodologie des essais cliniques
Réglementation
Principes généraux (biais, groupe contrôle, randomisation, double aveugle)
Schémas d'étude (cross over)
Nombre de sujets nécessaires

- Concepts statistiques
Le test statistique
Définition, principe d'un test statistique (tests unilatéraux, bilatéraux)
Risques et puissance associés à un test
Tests de supériorité, d'équivalence, de non infériorité
Interprétation des paramètres et résultats d'un test (p-value)
Tests statistiques usuels :
Comparaison de moyennes
Comparaison de pourcentages
Les indices d'efficacité et le critère de jugement principal
Critères d'efficacité (risque relatifs, odds ratios, risques absolus, NNT)
Critères composites
Critères de substitution
Les analyses intermédiaires

- Évaluation des tests diagnostiques
Sensibilité, spécificité
Courbes ROC, AUC

- Méta-analyses
Principes généraux
Méta-analyses sur données individuelles
Hétérogénéité (modèles à effets fixes ou aléatoires)
Les items de PRISMA

- Essais de non infériorité

Sans niveau particulier

Objectifs Acquérir les notions indispensables à la mise en oeuvre d'un programme de fidélisation clients depuis la conception du questionnaire d'enquête jusqu'à l'élaboration de plans d'actions préventifs et curatifs sur la base d'une évaluation de retours sur investissement ainsi que du suivi interne de la rentabilité Compétences visées - Appréhender les notions de typologie clients et les mécanismes de la fidélisation - Concevoir un questionnaire de satisfaction clients, organiser et planifier son administration - Mener une analyse statistique des résultats, déterminer les facteurs clés de fidélisation, identifier les clients à risque, les enjeux et priorités - Savoir mettre en oeuvre un programme de fidélisation en intégrant le service aux clients, des plans d'actions et le calcul du retour sur investissement - Mesurer l'évolution de la fidélisation client et le "pay-back", élaborer un tableau de bord et une structure de pilotage

- Introduction
Notions de typologie clients, leur comportement
Les mécanismes de la fidélisation

- État des lieux de la satisfaction et de la fidélisation
Objectif
Conception du questionnaire
Organisation, logistique, planification de l'enquête

- Analyse des résultats
Techniques d'analyse
Outils et méthodes statistiques utilisés
Détermination des facteurs clés de fidélisation
Détermination de la perte clients : le marché à risque
Les enjeux de chiffres d'affaires et de marge
Les priorités

- Mise en oeuvre d'un programme de fidélisation
Organisation et moyens
Le service aux clients : le conseil, la gestion des contacts
Les plans d'actions curatifs et préventifs
Le calcul de retour sur investissement
Notions d'hyperservice

- Tableau de bord, pilotage
Mesure continue de l'évolution de la fidélisation clients
Mesure du "pay-back" du programme de fidélisation
Tableau de bord et structure de pilotage

Sans niveau particulier

Se familiariser avec les notions de base de l'information géographique et acquérir des connaissances théoriques et pratiques pour déployer un Système d'Information Géographique

- Système d'Information Géographique (SIG) - Les bases
Présentation générale des Système d'Information Géographique
La géomatique
Les principes informatiques d'un SIG
La localisation des informations
Présentation du géo référencement : Projections cartographiques et système de coordonnées
Le géocodage
Le géo-positionnement
Le Nomadisme

- Les données
Qu'est-ce qu'une donnée géographique ?
Données vecteurs / données raster
Système de projection
Stockage et organisation des données
Les métadonnées

- Les bases de données géographiques
Les données géographiques de référence : BD TOPO, BD Ortho, RGE, Bd Parcellaire, ...
Les données métiers ou données thématiques
Les données en ligne

- Les outils
Panorama des principaux logiciels SIG (libres ou propriétaires)
Les applications métiers
Les SGBD stockant des données spatiales
Les serveurs de données

- Les fonctionnalités
Collecte et création de données géographiques
Importer/exporter des données
Représenter le territoire : les cartes
Analyser le territoire : les fonctions d'analyse spatiale

- Les acteurs
Les éditeurs de logiciels
Les producteurs de données
Les communautés d'utilisateurs
Les métiers liés aux SIG

- Les Web SIG
Le Webmapping
Fonctionnalités
L'architecture d'une application web
Webmapping orienté services

- Mettre en oeuvre un SIG
Démarche de mise en oeuvre d'un SIG
Analyse des besoins
Modélisation de la base de données
Définition des procédures
Cahiers des charges
Identification et formation des acteurs
Suivi du projet : méthode et outils

Sans niveau particulier

Découvrir la méthode QRQC (Quick Response Quality Control) utilisée dans la résolution de problèmes qui permet, par une approche managériale spécifique, le traitement rapide et durable des problèmes. Elle assure également une organisation dynamique et créative de l'organisme ainsi qu'un partage et une capitalisation des solutions apportées.

- Introduction
Démarches, méthodes et outils dans la résolution de problèmes
Retour d'expériences et réflexion collective autour de l'existant des pratiques de résolution de problèmes

- La méthode QRQC
Origine, signification et intérêt de la démarche
Les principes de base du QRQC :
Quick Response
Quality Control
GEN-BA : le lieu réel
GEN-BUTSU : les pièces réelles
GEN-JITSU : les données réelles
Les 4 étapes du Perfect QRQC, : résolution, prévention, standardisation et formation
Les niveaux d'application du QRQC : Ligne, UAP (Unité Autonome de Production), Usine

- La résolution logique
Les étapes : Identification du problème, Analyse et recherche des causes, Recherche et Sélection de solutions, Mise en oeuvre et contrôle des résultats

- Les outils de résolution de problèmes et mise en pratique
Les outils fondamentaux : Le FTA (Factors Tree Analysis ou arbre des facteurs), le QQOQCCP, les « 5 pourquoi », le diagramme causes/effets ISHIKAWA
Les autres outils : le brainstorming, le vote pondéré, le matrice de compatibilité, le diagramme de Pareto, ...

- Le suivi de la démarche
Le rôle du management
Comment mesurer la performance

- Évaluation et reformulations éventuelles

Sans niveau particulier

Objectifs : Apprendre à mettre en oeuvre et interpréter une analyse de comparaisons inter-laboratoires. Cette formation est basée sur les normes ISO 5725 Compétences visées : - Rafraîchir sa connaissance des méthodes statistiques utilisées pour les comparaisons inter-laboratoires - Maîtriser les notions d'exactitude, de fidélité et de biais - Pouvoir évaluer les performances des laboratoires : il s'agit d'évaluer et de démontrer l'aptitude des laboratoires à réaliser la mesure (essais ou étalonnages) - Pouvoir estimer l'exactitude (justesse et fidélité) d'une méthode de mesure : Il s'agit d'établir la performance d'une méthode de mesure - Être en mesure de réaliser une comparaison inter-laboratoires

- Rappels de statistiques
Statistiques exploratoires et descriptives
Notions de fidélité et d'exactitude
Statistiques décisionnelles utilisées en AIL
La loi normale
Les tests d'hypothèse
L'analyse de la variances (ANOVA)
La régression simple

- Analyse des résultats d' Exactitude des résultats et méthodes de mesures selon la norme ISO 5725
Description détaillée des principes d'exactitude, fidélité et biais
Méthode de base pour la détermination de la répétabilité et de la reproductibilité d'une méthode de mesure normalisée ISO 5725-2
Conditions de mise en oeuvre de l'expérience de fidélité
Analyse statistique détaillée d'une expérience de fidélité
Utilisation des formulaires pour le recueil des données, la calcul des moyennes et des écart-type recommandés par la norme
Traitement des données manquantes, aberrantes, redondantes
Techniques graphiques d'analyses de cohérence h et k de Mandel
Techniques numériques pour valeurs aberrantes (test de Cochran et Grubbs)
Calcul des variances de répétabilité, inter laboratoire et de reproductibilité
Techniques de gestion de la dépendance de la variabilité avec le niveau moyen : établissement des formules d'estimation
Estimation de l'exactitude des mesures et de la performance des laboratoires
Utilisation des résultats de l'analyse inter laboratoires
Mesures intermédiaires de la fidélité d'une méthode de mesure normalisée selon norme ISO 5725-3
Méthode de base pour la détermination de la justesse d'une méthode de mesure normalisée selon norme ISO 5725-4
Utilisation dans la pratique des valeurs d'exactitude selon la norme ISO 5725-6
Comparaison de deux groupes de mesures (ou de deux mesures individuelles) dans un laboratoire ou plus d'un laboratoire
Comparaison avec une valeur de référence pour un laboratoire ou plus d'un laboratoire
Contrôle de l'acceptabilité des résultats d'essai et détermination des résultats finaux
Contrôle de la stabilité de la fidélité
Évaluation d'un nouveau laboratoire pour une méthode normalisée

Sans niveau particulier

Objectifs Acquérir la connaissance méthodologique et pratique des plans d'expériences, être autonome dans leur création, leur analyse et leur interprétation. Présentation des plans de criblage, plans factoriels complets et fractionnaires et des plans de surface de réponse Compétences visées - Appréhender les plans d'expériences et le vocabulaire associé - Comprendre leur intérêt et leur efficacité - Découvrir les plans factoriels complets et leurs caractéristiques - Découvrir les plans factoriels fractionnaires et leurs caractéristiques - Savoir mener l'analyse statistique d'un plan d'expériences - Connaître les facteurs de bloc et l'aléarisation - Identifier des facteurs influents à l'aide d'un plan de criblage - Optimiser une réponse au moyen des plans de surface de réponse - Déterminer des limites de spécification à l'aide du « tolerance design » - Disposer d'une cartographie des différents types de plan d'expériences

- Introduction aux plans d'expériences

- Définitions et vocabulaire du plan d'expériences

- Le plan d'expériences contre la méthode du « un facteur à la fois »

- Plans factoriels complets
Création de plans simples
Principe d'équilibre et d'orthogonalité
Les interactions
Analyse complète d'un plan complet à la main

- Plans factoriels fractionnaires
Principe de création
Confusion des effets et des interactions
Notion d'alias et de résolution d'un plan fractionnaire
Revue des différents plans fractionnaires
Création d'un plan fractionnaire

- Analyse statistique d'un plan d'expériences
Analyse de la variance (ANOVA)
Principe de parcimonie
Sorties graphiques
Diagnostic du modèle

- Facteurs de bloc et aléarisation

- Plan de criblage pour l'identification des facteurs influents
Principe de création
Plans de type Taguchi ou Plackett Burman pour un grand nombre de facteurs
Analyse statistique d'un plan de criblage
Notion de taille d'échantillon réduite
Cas des interactions

- Plan de surface de réponse pour l'optimisation d'une réponse
Objectif et principes des plans de Doehlert et Box-Behnken
Optimisation et lien avec la régression
Optimisation multicritères, fonctions de désirabilité

- Le « tolerance design » pour fixer les limites de spécification

- Cartographie des différents types de plan d'expériences

- Atelier de mise en place d'un plan d'expériences : la catapulte et/ou l'hélicoptère

Sans niveau particulier

Objectif : Apprendre à utiliser le langage Python et ses principales librairies scientifiques pour traiter, visualiser et modéliser les données en Data Science Compétences visées : Connaître et savoir utiliser les librairies incontournables de Python pour la data science : La Scipy Stack Connaître et utiliser les principales librairies de visualisation de données et notamment orientées cartographie Savoir manipuler des données volumineuses ne tenant pas en mémoire Avoir une bonne compréhension de l'écosystème scientifique de Python, savoir trouver ses librairies et juger de leur qualité

-L'écosystème scientifique Python
Les incontournables: Numpy, Scipy, Pandas, Matplotlib et iPython qui sont le ciment de toutes les autres librairies scientifiques
Panorama des librairies et logiciels scientifiques par domaine
Les critères permettant de juger de la qualité d'une librairie

-Calculer avec des nombres réels: comprendre les erreurs de calculs
La représentation des nombres réels
Comprendre les erreurs de calculs et les contourner

-La scipy stack
Manipuler des tableaux de nombres: Numpy
o Différences avec les listes Python
o Création, sélection, filtres et principales fonctions
Visualiser ses données: Matplotlib
o Les concepts de la librairie
o Principaux graphiques: nuages de points, courbes, histogrammes, boxplot, ...
o Fonctionnalités avancées: 3D, légendes, colorbar, manipuler les axes, annotations, ...
Analyse de données: Pandas
o Les fondements de la librairie: Manipuler des données de type CSV et Excel
o Séries et Dataframes
o Index, sélection de données, filtres/recherche, agrégations, jointures et fonctions avancées
o Manipuler des séries temporelles
Les fonctions mathématiques avancées: Scipy
o Statistiques, optimisation, interpolations/régressions, traitement d'images

-Visualisation de données
Présentation de l'écosystème de visualisation de données de Python
Les librairies orientées Web: Bokeh, Altair et Plotly
Les "écosystèmes" PyViz et HoloViz
La visualisation de données volumineuses/big data avec DataShader
Les statistiques avec Seaborn

-Visualiser des données géospatiales
Convertir ses données d'un système de coordonnées à l'autre
Cartographie interactive "à la Open Street Map/Google Maps" avec Folium/iPyleaflet
Cartographie statique avec Cartopy
Autres librairies géospatiales

-Manipulation de données volumineuses
Les librairies h5py, pytables, netcdf4, xarray, iris, parquet permettant de lire vos fichiers scientifiques
Paralléliser ses calculs avec Dask
Paralléliser ses calculs avec CuDF
Manipuler des dataframes gigantesques avec Dask

-Personnalisation
Sous réserve de contraintes techniques ou de confidentialité, nous vous proposons de personnaliser la formation en réalisant des exercices directement sur vos données métiers.

Sans niveau particulier

Objectifs Mettre en oeuvre des solutions de données basées sur MongoDB pour la gestion de base de données non structurées dites NoSQL (Not Only SQL) Compétences visées - Comprendre l'apport des bases de données NoSQL - Découvrir une base de données documents : MongoDB - Savoir écrire des requêtes pour MongoDB - Comprendre l'intérêt du format JSON - Comprendre le concept de MapReduce et du framework Aggrégation - Comprendre l'intérêt de l'indexation et des moteurs comme Solr ou Elastic avec MongoDB

- Découverte des bases de données NoSQL

- Quels impacts de l'arrivée du NoSQL dans un SI traditionnel ?

- Introduction à MongoDB

- Présentation du format JSON

- Installer MongoDB sous MS WINDOWS

- Savoir écrire des requêtes pour MongoDB

- Présentation du framework MapReduce

- Pipeline et Framework Aggregation

- Problématiques autour de l'indexation de documents

Sans niveau particulier

Connaître les méthodes et outils de la conception robuste et des plans d'expériences pour application du cycle DMADV de la méthodologie Design For Six Sigma.

- Présentation de la démarche Lean Six Sigma

Définition : Lean Six Sigma, de quoi s'agit-il ?
Introduction : comment cela fonctionne-t-il ?
Les méthodes DMAIC et Design For Six Sigma (DMADV)
DMAIC et Design For Six Sigma, quelle méthode pour quels cas ?
Le déploiement de la démarche : comment mettre en oeuvre et réussir

- Introduction : les particularités des démarches de conception / re-conception

Différences essentielles entre amélioration et re-conception de processus
Présentation de la démarche Design For Six Sigma
Les types de problématiques traitées par Design For Six Sigma
L'organisation nécessaire à la réussite de la démarche

- Initier la démarche Design For Six Sigma

Choix d'un thème de projet d'amélioration : Présentation de la méthodologie de sélection de projets, Les outils de sélection (mode de détection de sujets potentiels, grille d'évaluation), Comment concrétiser un projet et le formaliser

Préparation du lancement d'un projet : Désignation de l'équipe projet, Identification des critères de performance globale pour le projet, Reporting Lean Six Sigma : le tableau de bord d'avancement méthode, points de fin de phase, suivi des indicateurs, Rôle et responsabilités, Formalisation d'un contrat de projet

- Les étapes de la démarche Design For Six Sigma

Phase d'identification
Phase de mesure / modélisation
Phase de conception / re-conception
Phase d'optimisation
Phase de validation / contrôle

Sans niveau particulier

Objectif général : Apprendre à décrire des jeux de données à l'aide de résumés numériques et de représentations graphiques. Objectifs détaillés : Être familiarisé avec la terminologie Statistique Connaître les paramètres pour faire la synthèse numérique de données quantitatives : les paramètres de tendance centrale, de dispersion, d'homogénéité, d'hétérogénéité des données Sélectionner le bon graphique selon le type de données à représenter Savoir mesurer la force d'interaction entre deux variables selon le type des variables Connaître les paramètres de mesure pour calculer la force de liaison entre deux variables Reconnaître et traiter les valeurs particulières.

- Utilité des statistiques
Recueillir les observations : observer et mesurer
Précautions à prendre
Organiser les informations : classements, tableaux
Vocabulaire de base : variables, individus, échantillon, population

- La synthèse numérique
Caractéristiques de la tendance centrale d'une distribution : moyenne, médiane, mode
Caractéristiques de la dispersion d'une distribution : variance, écart type, fractiles

- La synthèse graphique
Représenter les phénomènes pour les comprendre : l'histogramme, le diagramme en bâtons, le diagramme circulaire
Identifier les phénomènes les plus importants : le diagramme de Pareto

- La statistique bivariée
2 variables quantitatives
Représentation graphique : le nuage de points
Interpréter le coefficient de corrélation
Ajuster une droite de régression
2 variables ordinales
Coefficient de corrélation sur les rangs de Spearmann
2 variables qualitatives
Représentation graphique : diagramme en barre des profils
Table de contingence
La statistique du Khi-2
1 variable quantitative et 1 variable qualitative
Représentation graphique : les boîtes à moustaches parallèles
Le rapport de corrélation

- Repérer et gérer les valeurs particulières (aberrantes, influentes)

Sans niveau particulier

Objectifs Acquérir la connaissance méthodologique et pratique des plans d'expériences particuliers que sont les plans optimaux et les plans robustes, en comprendre les avantages et les risques Compétences visées - Revoir les propriétés des plans d'expériences usuels et ceux de l'analyse de variance - Comprendre les fondements des plans optimaux - Connaître les différents types de plans optimaux, savoir les construire et en réaliser l'analyse statistique - Mettre en pratique sur une étude de cas - Découvrir le « robust design » en détaillant la méthode Taguchi et les plans robustes - S'initier au concept de Tolerance design et Design Space

- Rappels sur les propriétés des plans usuels, dont l'orthogonalité et l'analyse de la variance (ANOVA)
Pourquoi les plans sur mesure ?
Nombre d'essais
Différents nombres de niveaux
Modèle fixé a priori

- Fondements des plans optimaux
D-Optimalité : principes
Utilisation d'un plan D-optimal
I-Optimalité et plans RSM
Variances des coefficients du modèle

- Plans optimaux en action
Augmentation d'un plan d'expériences
Plans de mélange
Plans avec contraintes
Plans avec Blocs
Le Split Plot Design
Analyse statistique d'un plan optimal

- Etude de cas : l'hélicoptère

- Le « robust design »
La méthode Taguchi
La fonction perte
Les facteurs de bruit
Plans externes et internes
Modélisation du signal sur bruit
Limites de la méthode Taguchi
Les plans robustes
Concept d'interaction facteurs contrôlés/facteurs de bruit
Analyse des facteurs de bruit
Analyse des facteurs contrôlés
Interprétation du plan robuste avec l'ANOVA
Comparaison avec la méthode Taguchi

- Tolerance design et Design Space
Fonctions de désirabilité à l'optimum
Concept de Design Space
Simulations pour créer l'espace des facteurs
Simulations pour calculer des tolérances
Applications

Sans niveau particulier

Objectifs Apprendre la méthodologie de pré-traitement (mise en forme des données, codage, recodage des questions, ...) et de traitement des données d'enquête, la mise en oeuvre efficace des procédures statistiques multidimensionnelles. Compétences visées - Réaliser les tris à plat et tris croisés pour décrire les variables d'étude et leurs éventuelles interactions - Savoir structurer les données préalablement à l'analyse en codant ou recodant les modalités de variables, aussi en recodant les variables elles mêmes - Mener des analyses exploratoires multidimensionnelles pour dégager des axes d'inertie entre variables et ainsi résumer l'information - Savoir choisir l'analyse (ACP, ACM ...) selon le typage de vos données - Construire une typologie des individus enquêtés - Savoir caractériser les classes retenues - Mener une réflexion sur la création d'indicateur

- Les premiers traitements
Tris à plat : moyenne, écart-type, histogrammes
Tris croisés : tableaux croisés, test du Khi-2

- Préparation des tableaux pour l'analyse des données, le codage des questions
Du questionnaire au tableau de données : codage et recodage des variables issues du questionnaire
Regroupement de modalités, mises en classes d'effectifs égaux
Le codage disjonctif, les questions à choix multiple, croisement de variables, construction de variables synthétiques
Le codage logique des variables qualitatives

- Les analyses exploratoires multidimensionnelles
L'analyse en composantes principales
L'analyse des correspondances multiples
Les notions de variables actives et illustratives
Découpage du fichier en thèmes : le thème "signalétique" (composition du panel) et les autres thèmes (opinion, comportement, résultats)
Les règles de lecture et d'interprétation

- Méthodes de classification : complémentarité avec les méthodes factorielles
Construction de typologies des enquêtés
Détermination du nombre de classes
Caractérisation des classes

- Réflexion sur la mise en place d'un indice synthétique d'un thème
Intérêt
Présentation des différentes techniques

Sans niveau particulier

Objectifs Comprendre l'intérêt de la démarche Lean Six Sigma et appréhender sa philosophie. Vous découvrirez la méthodologie DMAIC, la démarche LEAN, leur complémentarité et mesurerez le bénéfice des certifications Yellow, Green et Black Belt Compétences visées - Découvrir la démarche Lean Six Sigma et des exemples de problématiques associées - Différencier la démarche Lean Six Sigma des méthodes traditionnelles d'amélioration de la performance comme PDCA - Connaître les éléments d'un projet Lean Six Sigma et disposer d'exemples de projets - Identifier les différents acteurs de la démarche Lean Six Sigma, leur rôle et leurs compétences - Avoir une présentation des activités nécessaires au déploiement de la démarche - Avoir une vision la méthode DMAIC, les étapes et les outils essentiels - Cerner la démarche LEAN, les différents volets et outils nécessaires - Appréhender les différentes certifications, Yellow Belt, Green Belt et Black Belt, et leur rôle

- Pourquoi une démarche Lean Six Sigma ?
Quelles sont les problématiques relevant d'une démarche Lean Six Sigma ?
Exemples de problématiques

- La Valeur Ajoutée de la démarche Lean Six Sigma
Différences entre la démarche Lean Six Sigma et les méthodes traditionnelles d'amélioration de la performance (exemple PDCA)

- Les projets Lean Six Sigma
Comment se constitue un projet Lean Six Sigma
Exemples de projets Lean Six Sigma

- Les acteurs de la démarche Lean Six Sigma
Présentation des acteurs (Sponsor, Champion, Propriétaire du processus, Yellow Belt, Green Belt, Black Belt), de leurs rôles et de leurs compétences attendues

- Comment déployer une démarche Lean Six Sigma dans l'Entreprise
Présentation des activités nécessaires au déploiement de la démarche
Communication top=>down
Communication bottom=>up
Travail du sponsor
Choix des projets pilotes

- La Méthode DMAIC
Présentation de la méthode DMAIC
Méthode d'amélioration de la performance et de réduction de la variabilité
Approche globale de la méthode (De Définir à Contrôler)
Présentation rapide de chaque étape (DEFINE - MEASURE - ANALYZE - IMPROVE - CONTROL)
Présentation des outils essentiels de la méthode (Tableau de bord, Tableau de mesures, 5P, 5M, Matrice de sélection, AMDEC, Carte de Contrôle)

- La Démarche LEAN
Présentation de la démarche LEAN
L'orientation client
La valeur et le flux de valeur
La réduction des coûts
L'amélioration continue
Les outils essentiels de la démarche LEAN (5S, Visual Management, SMED, Kanban)

- Les certifications Lean Six Sigma
Présentation des certifications Yellow Belt, Green Belt et Black Belt
Analyse des différences entre les certifications et entre les rôles

Sans niveau particulier

Objectifs Acquérir une connaissance théorique et pratique de la méthodologie 8D et détailler les outils spécifiques à chacune des étapes Compétences visées - Constituer l'équipe pour la prise en charge du problème et définir les rôles - Décrire le problème pour comprendre la situation : rapports de non-conformités, brainstorming, Pareto, Est/N'est pas - Identifier les actions immédiates pour limiter le problème - Rechercher la ou les causes du problème : arbre des défauts, 5 pourquoi - Déterminer les actions correctives pour éradiquer le problème - Mettre en place les actions pour solutionner le problème : matrice de décision, production pilote, diagramme de Gantt - Produire les moyens d'éviter la réapparition du problème : AMDEC, cartographie des procédés, Maîtrise Statistique des Processus - Féliciter l'équipe et examiner les opportunités de réplication

- D1 - Constituer l'équipe
Mise en place et animation de l'équipe
Méthodes de prise de décisions
Analyse de comportement

- D2 - Décrire le problème
Rapports de non-conformités
Rapports d'inspection
Brainstorming
Diagramme cause - effet
Diagramme de Pareto
Diagramme de tendance
Cartographie des procédés
Matrice Est / N'est pas

- D3 - Identifier et mettre en place les actions limitatives immédiates
Plan de surveillance
Mise en place d'indicateurs avancés
Cartes de contrôle SPC
Corrélations statistiques

- D4 - Déterminer la cause origine du problème
Outils méthodologiques
Arbre des défauts
5 Pourquoi
Outils statistiques (revue)
Analyse temporelle
Tests statistiques
Régression simple

- D5 - Déterminer les actions correctives définitives et permanentes
Plan d'expériences
Méthodes de créativité
Etude de la capabilité des procédés

- D6 - Mettre en place les solutions
Matrice de décision
Production pilote
Taille d'échantillon et puissance
Conduite du changement (introduction)
Diagramme Gantt
Analyse de risques

- D7 - Éviter la réapparition du problème
AMDEC
Cartographie des procédés
Maîtrise Statistique des procédés

- D8 - Féliciter l'équipe
Félicitations
Opportunités de réplication

Sans niveau particulier

La méthode 5 S est un véritable outil de performance qu'il est indispensable de maîtriser. Simple d'utilisation, elle ne nécessite pas un investissement financier important. Elle est universelle et peut ainsi être mise en place dans des ateliers mais aussi dans des bureaux, des entrepôts, ...

- Découvrir la méthode 5S
La démarche d'amélioration continue et la méthode 5S
Les points forts de la méthode 5S
Pourquoi choisir cette méthode ?

- Préparer la mise en place des 5S
Définir les objectifs et le périmètre du chantier 5S
L'importance de la formation et de la communication
Manager la mise en place auprès des équipes, accompagner la résistance au changement, fédérer et atteindre les objectifs
Les étapes à respecter
Les clefs du succès

- Le S de SEIRI
Première étape fondamentale : débarrasser
Repérer les situations et les objets inutiles (méthode des étiquettes, ...)
Animer les premiers changements et décider de ce qui est pertinent dans la nouvelle organisation

- Le S de SEITON
Seconde étape : ranger
Repérer les sources de désordre : absence de méthodes, ...
Les bases et les outils du rangement

- Le S de SEISO
Troisième étape : nettoyer, dépoussiérer
La propreté source de confort, d'efficacité, de fiabilité et de sécurité
Faire place nette et découvrir des anomalies
Repérer les causes racines et mettre en place des actions correctives pertinentes

- Le S de SEIKETSU
Quatrième étape : ordonner, standardiser
L'organisation visuelle, des outils simples et efficaces
L'aménagement des espaces et des postes de travail
La gestion des différents flux : flux matériels, flux d'informations, ...

- Le S de SHITSUKE
Dernière étape : être rigoureux
Cultiver l'état d'esprit 5S et développer la rigueur

- Mettre en oeuvre les 5S et mesurer les résultats
La gestion du projet et du tableau de bord
Les moyens de mesure : indicateurs, audit, auto-évaluation
Gérer les écarts et les pistes de progrès

- Maintenir la dynamique
Ancrer la méthode et créer le réflexe dans les pratiques de l'organisme
Encourager l'innovation et les suggestions d'organisation
Préserver la motivation et éviter les écarts

Sans niveau particulier

Découvrir les principales méthodes de résolution de problèmes, acquérir la méthode logique et les outils de résolution de problèmes. Savoir identifier le problème et respecter les principes et les étapes d'analyse. Trouver des solutions pertinentes et élaborer des plans d'actions pour gagner en efficacité.

- Les fondamentaux
Pourquoi une démarche de résolution de problèmes ?
Qu'est-ce qu'un problème ?
Les types de problèmes
La démarche de résolution de problèmes
Les étapes de résolution de problèmes
Identification du problème
Analyse et recherche des causes
Recherche et sélection de solutions
Mise en oeuvre et contrôle des résultats

- Le groupe de travail
Les règles de la réflexion collective
Les points forts
Les freins à la performance
Une communication efficace
Manager le groupe de travail

- Les outils de résolution de problèmes
Le brainstorming, les 6 chapeaux, le mind mapping, Métaplan, ...

- Aller plus loin dans la recherche des causes
Les causes racines
La méthode des 5 « pourquoi ? »

- Le risque potentiel, quelles sources et quels outils ?
Les différentes sources d'amélioration
Les outils d'analyse de risques
L'analyse fonctionnelle
L'AMDEC

Sans niveau particulier

Objectifs Maîtriser l'utilisation des fonctionnalités de base du langage PHP de manière à créer des applications Web dynamiques et être à même d'interfacer ses applications avec une base de données ou un service Web Compétences visées - Connaître la syntaxe du langage PHP pour l'intégrer au code HTML - Traiter des formulaires Web avec PHP - Gérer des sessions utilisateurs - Accéder aux base de données dans les scripts PHP - Gérer les erreurs et exceptions - Savoir réutiliser du code

- Introduction à PHP
Présentation du langage
Fonctionnement des langages de script server-side
Modes d'intégration du code PHP au sein de code HTML

- Techniques de base et syntaxe
Utilisation de variables
Opérateurs PHP
Expressions PHP
Structures de contrôle
Fonctions et objets intégrés
Variables tableaux et tableaux associatifs

- Gestion des formulaires avec PHP
Accès aux données saisies dans un formulaire
Principes de vérification des données saisies
Redirection de l'utilisateur
Quelques fonctions de vérification des données dates/textes/numériques

- Maintien de l'état dans une application web avec PHP
Différentes techniques de maintien de l'état et utilité
Utilisation de la chaîne de requête
Utilisation de variables de session
Utilisation de cookies
Configuration des sessions et des cookies

- Accès aux données dans les scripts PHP
Types de bases de données accessibles
Méthodologie d'accès aux bases de données en PHP
Fonctions d'accès aux bases de données
Sensibilisation aux attaques SQL Injection
Configuration de PHP pour éviter ces attaques

- Erreurs et exceptions
Types d'erreurs potentielles
Gestion d'erreur avec PHP
Différences entre erreurs et exceptions
Gestion des exceptions
Configuration de PHP pour les erreurs

- Réutilisation de code
Fonctions personnalisées
Fonctions anonymes
Création et inclusion de bibliothèques de fonctions.

Sans niveau particulier

Objectifs Exploiter les nombreuses fonctionnalités des packages dplyr, tidyr et lubridate pour manipuler efficacement des tableaux de données dans R Compétences visées - Apprendre à créer des subsets (par sélection de colonnes et ou de lignes) avec le package dplyr - Apprendre à assembler deux tables de données avec le package dplyr - Apprendre à pivoter un tableau de données, du format wide vers le format long, et inversement avec le package tidyr - S'initier à la gestion des données de dates et d'heures avec le package lubridate

- Manipulation de données avec le package dplyr
Introduction au package tidyverse et à la notion de pipe
Sélection des colonnes (variable) avec la fonction select()
Sélection de lignes avec la fonction filter()
Création de nouvelles variables avec la fonction mutate()
Création de tables résumées avec les fonctions group_by() et summarise()

- Combinaison de deux tableaux de données
Fonctions d'assemblage de lignes
Notion de clé primaire
Fonctions de fusion de tables

- Transformation du format de tables avec le package tidyr
Format wide et format long
Passage d'un format wide à un format long
Passage d'un format long à un format wide

- Gestion des données de dates et d'heure avec le package lubridate
Spécificité des données de date et d'heure et norme
Les fonctions de parsing du package lubridate
Les fonctions d'extraction du package lubridate

Sans niveau particulier

Objectifs Exploiter les nombreuses fonctionnalités du package ggplot2 pour réaliser des graphiques élaborés dans R Compétences visées - Comprendre le principe de ggplot2 - Découvrir le package ggplot2 via la réalisation d'un scatterplot - Connaître la mise en oeuvre des graphiques les plus courants - Apprendre à personnaliser la mise en forme de ses graphiques - Savoir trouver les informations complémentaires pour devenir autonome

- Introduction à ggplot2
Le principe des couches
La page d'aide (cheat sheet)
Organisation de son travail : projet R

- Découverte de ggplot2 par la réalisation d'un scatterplot
Gestion de la couleur des points
Gestion de la forme des points
Gestion de la taille des points
Ajouter une courbe de tendance
Notion de mapping

- Réalisation des principaux graphiques
Les boxplots
Les barplots
Les courbes de densités et les histogrammes
Les lineplots (ou spaghetti plots)
Moyennes avec un paramètre de variabilité (sd, sem, IC)

- Représentation d'une série temporelle
Série temporelle
Passage des données de temps en type date
Définition du pas de temps
Modification de l'étiquette de la date

- Mise en forme du graphique
Le facetting
Gestion du titre et des étiquettes des axes
Gestion du quadrillage
Gestion de la légende
Utilisation de thèmes
Assembler plusieurs graphiques
Ajouter du texte
Exportation du graphique

- Ressources pour progresser
Les ouvrages
Les sites
Les forums

Sans niveau particulier

Objectifs Apprendre à qualifier les équipements de production et valider le process de fabrication pour satisfaire les textes normatifs et réglementaires en vigueur. Maîtriser dans la durée son process de fabrication. Compétences visées - Connaitre les définitions et les exigences règlementaires - Acquérir la méthodologie de la validation de procédés - Maîtriser les méthodes statistiques utilisées en validation des procédés et les mettre en pratique dans un logiciel

- Validation des Procédés
Etape 1 : Définition des procédés
Définition et détermination des CQA (Critical Quality Attribute)
Définition du procédé de fabrication
Définition et détermination des CMA (Critical Material Attribute) et CPP (critical process parameter)
Définition des fenêtres de fonctionnement
Etape 2 : Qualification des procédés
Protocoles de validation
Qualification de l'installation (QI), Qualification opérationnelle (QO) et Qualification de la performance (QP)
Etape 3 : Vérification continue des procédés

- Les Statistiques pour la Validation des procédés
Statistiques Descriptives
Statistiques décisionnelles
Les tests d'hypothèses
Les plans d'expériences
La capabilité des moyens de contrôle
La capabilité des moyens de production
La Maîtrise statistique des procédés

Sans niveau particulier

Objectifs Apprendre à mettre en oeuvre les techniques de scoring afin d'affecter un score à un client, un prospect, un patient, .... pour répondre à différents objectifs : sélection des risques, prévision des défauts, suivi et contrôle ... Compétences visées - Avoir une introduction aux techniques du scoring - Revoir les méthodes statistiques multidimensionnelles en vue du scoring - Connaître les différents types de score - Savoir mener les différentes étapes préalables à la construction d'une modèle de scoring - Sélectionner les variables entrant dans la construction du modèle - Mettre en oeuvre la modélisation sur un échantillon d'apprentissage et en évaluer la performance sur un échantillon de test - Être capable de mesurer le pouvoir discriminant du modèle

- Le scoring et ses applications
Introduction
Rappels de statistiques multidimensionnelles
Méthodes exploratoires (analyses factorielles)
Méthodes décisionnelles (modélisation : régression logistique, ...)
Les divers types de scores
Appétence ou propension
Risque (comportement)
Octroi ou acceptation
Attrition (fidélisation, impayés)
Diagnostic médical
Spam courriels

- L'élaboration d'un modèle de scoring
Définition de la variable à expliquer
Biais de sélection
Construction de la base d'analyse
Sélection des périodes d'observation
Analyse exploratoire des données
Traitement des valeurs manquantes
Normalisation : transformations
Découpage en classes, regroupement de modalités

- La sélection des variables
Importance de la sélection des variables
Variables corrélées
Complexité du modèle versus pouvoir explicatif
Sélection multidimensionnelle

- La modélisation
Logique d'apprentissage et de test
Méthodes et algorithmes utilisés pour le scoring

- La mesure du pouvoir discriminant
Validation des modèles
Les courbes ROC

- Conclusion, conditions de réussites

Sans niveau particulier

Connaître les enjeux de la prévention Connaître la réglementation santé -sécurité S'approprier la méthode d'évaluation des risques Mettre en oeuvre les leviers et les outils de management de la sécurité Définir et mener un plan d'actions de mesures correctives Définir les missions du référent sécurité

- La prévention en entreprise
Les enjeux de la prévention
Les responsabilités pénales du chef d'entreprise et des salariés
Les obligations de l'employeur et des salariés
La faute inexcusable de l'employeur ou de ses préposés
L'aide à l'employeur pour gérer la santé et la sécurité au travail
Les valeurs de la prévention
Les principes généraux de la prévention
Les documents de l'entreprise :
Rapport annuel de prévention
Rapport annuel d'activité du médecin
Registre des dangers graves et imminents
Registre en santé et sécurité au travail
Fiche de risque professionnel
Programme annuel de prévention
Les acteurs de la prévention en entreprise
Les interlocuteurs externes à l'entreprise

- Les dangers et les risques
La définition du danger, du risque et du dommage
L'exposition
L'étude de situations à risques
Le danger grave et imminent
Comment agir sur les risques ?
L'évaluation des risques : méthodologie du Document Unique
La vision globale
Les bonnes pratiques de prévention

- Les accidents du travail et les maladies professionnelles
Le code du travail - la pyramide des textes
Les accidents de travail, de trajet et leurs circonstances
La conduite à tenir en cas de malaise ou d'accident
Les maladies professionnelles
Les indicateurs statistiques
Les faits et les opinions
L'arbre des causes
La méthode des 5M

- Les visites réglementaires
Les sanctions lors du non-respect du code du travail
Les principaux types de vérifications techniques
Les vérifications réglementaires les plus usuelles
Les vérifications réglementaires spécifiques aux établissements accueillant du public
Les documents formalisant les vérifications

- Le CSE
Les rôles, moyens et le fonctionnement du CSE
Les missions du CSE

- Le plan de prévention et le protocole chargement / déchargement
Pour quels types de prestations ?
Les enjeux du plan de prévention
Les responsabilités
La situation dans votre société
La mise en place du plan de prévention
Information des salariés
Suivi des interventions
Rôle du CSE

- La formation à la sécurité
L'obligation générale de formation à la sécurité
Les caractéristiques de la formation
Les salariés bénéficiaires
La mise en oeuvre de la formation
Le rôle et contenu de la formation à la sécurité
La formation renforcée des salariés précaires
Le financement des actions de formation

- La pénibilité au travail
Historique
Que prévoit le dispositif et pourquoi ?
Qui est concerné, quels critères et seuils ?
Les obligations de l'entrepreneur
Les échanges avec les salariés

Sans niveau particulier

Objectifs : Apprendre à gérer une liste ou tableau de données, gagner en efficacité dans vos manipulations de données, améliorer le visuel de vos données et découvrir toute la puissance des tableaux croisés dynamiques pour vos analyses de données Compétences visées : Maîtriser les astuces de navigation et de saisie pour plus d'efficacité dans les sélections de données Personnaliser l'environnement de travail (ruban et barre d'outils accès rapide) Savoir exploiter les données à l'aide de filtres / tris élaborés Savoir extraire/rechercher des données à l'aide de caractères génériques Mettre en relief les données à l'aide de la mise en forme conditionnelle Peaufiner la présentation des données à l'aide des formats personnalisés Synthétiser vos listes de données même volumineuses à l'aide des tableaux croisés dynamiques Produire des tableaux croisés sophistiqués

- Optimisation de l'environnement de travail
Gestions des feuilles et classeurs (notion de groupe de travail, affichage en mosaïque, figer les volets)
Techniques de navigation avec de grands tableaux (raccourcis clavier)
Maitriser son environnement de travail (personnaliser la barre d'outils d accès rapide et le Ruban, les compléments d'Excel)

- Fonctionnalités avancées
Mise en forme conditionnelle
Format personnalisé

- Gestion de données
Tris simples et élaborés
Filtres simples et avancés
Mode Plan et Sous totaux
Présentation du format Tableau
Les avantages du format Tableau en termes de mise en forme, de recopie de formules et d'actualisation
Utilisation des segments sur un Tableau
Consolider et convertir des données

- Tableaux croisés dynamiques
Principe d'un Tableau Croisé Dynamique (TCD)
Intérêt de définir les données sources sous forme de Tableau
Créer et modifier la structure d'un TCD
Changer la source des données
Masquer/afficher certains éléments (filtres)
Différentes dispositions du TCD
Affichage des totaux et sous-totaux
Trier les valeurs
Regroupement des éléments de ligne/colonne/page
Changer l'affichage du résultat des champs de valeur (% du total, % de la colonne ...)
Insérer un segment
Générer un Graphique croisé dynamique (GCD)

Sans niveau particulier

Objectifs Connaître les enjeux et bonnes pratiques de la prévention en entreprise Acquérir la méthodologie d'évaluation des risques du Document unique Compétences visées - Connaître les enjeux de la prévention - S'approprier la méthode d'évaluation des risques du Document Unique - Définir et mener un plan d'actions d'amélioration de la prévention

- La prévention en entreprise
Les enjeux de la prévention
Les responsabilités pénales du chef d'entreprise et des salariés
Les obligations de l'employeur et des salariés
La faute inexcusable de l'employeur ou de ses préposés
L'aide à l'employeur pour gérer la santé et la sécurité au travail
Les valeurs de la prévention
Les principes généraux de la prévention
Les documents de l'entreprise :
Rapport annuel de prévention
Rapport annuel d'activité du médecin
Registre des dangers graves et imminents
Registre en santé et sécurité au travail
Fiche de risque professionnel
Programme annuel de prévention
Les acteurs de la prévention en entreprise
Les interlocuteurs externes à l'entreprise

- Les dangers et les risques
La définition du danger, du risque et du dommage
L'exposition
L'étude de situations à risques
Le danger grave et imminent
Comment agir sur les risques ?
L'évaluation des risques : méthodologie du Document Unique
La vision globale
Les bonnes pratiques de prévention

Sans niveau particulier

Objectif général : S'initier à l'utilisation du traitement de texte en ligne de Google, concevoir des documents/courriers personnalisés avec illustrations et les partager en travaillant en collaboration Objectifs détaillés : - Concevoir et mettre en forme des documents de qualité - Connaître les règles de mise en page d'un document - Apprendre à illustrer les documents à l'aide des outils de dessin ou de graphiques - Découvrir des fonctionnalités et outils additionnels pour parfaire vos documents Docs - Apprendre à partager des documents en ligne avec les outils de travail collaboratif

- Présentation du traitement de texte en ligne
Les + et les - par rapport à Word
La compatibilité avec les standards du marché
Création d'un compte GOOGLE
Organisation du Drive, stockage gratuit jusqu'à 15Go

- L'environnement de travail
Comprendre et se familiariser avec l'environnement
Savoir interpréter les évolutions du pointeur
Les différents menus et fonctionnalités associées
Les raccourcis clavier

- Mise en forme de texte et mise en page de document
Polices, taille, couleur, bordures, les alignements
Les styles de paragraphes et titres
Appliquer un format existant avec le rouleau de peinture
L'importance de la règle
Les marges et les retraits
Le saut de ligne et l'interligne
Le saut de page et saut de section
Liste à puces et numérotations
Exercice de mise en forme d'un document Docs de type lettre à partir d'un texte brut

- Mise en valeur d'un document
Les en-têtes et pieds de page
Insertion de formes avec les objets dessin
Insertion d'images
Insertion de graphiques
Les tableaux
Insérer un tableau Google Sheets
Exercice d'insertion d'une image et d'un graphique dans un document Docs

- Utilisation de fonctionnalités / d'outils intégrés
Le correcteur orthographique
Compter le nombre de mots
Les modèles
Comparer des documents
La fonction aide
Les extensions
Exercice d'utilisation du correcteur orthographique dans un document Docs

- Le travail collaboratif
Utiliser l'option « Partager - Outil collaboratif » pour un partage de document en ligne
La protection du document par mot de passe
L'impression PDF (pour communiquer un document et le rendre non modifiable)
L'envoi par mail d'un fichier
Exercice de partage d'un document Docs et contrôle des accès au document

Sans niveau particulier

Objectif général : Se perfectionner à l'utilisation du traitement de texte en ligne de Google, concevoir des documents/courriers sophistiqués et les partager en travaillant en collaboration. Objectifs détaillés : - Savoir configurer les paramètres de mise en page - Maîtriser la structuration du document pour générer automatiquement une table des matières - Enrichir vos documents à l'aide de liens, d'images, de tableaux et/ou graphiques - Découvrir des fonctionnalités additionnelles pour rendre vos documents professionnels - Apprendre à collaborer sur votre document de différentes manières, par partage en ligne, par email ou par visioconférence

- Révisions sur le traitement de texte en ligne
La compatibilité avec les standards du marché
Organisation du Drive
Le volet latéral dans l'environnement de travail
La galerie de modèles de document
Les raccourcis clavier

- Travailler la mise en page du document
Les styles : appliquer un style à partir d'un titre
Modifier les caractéristiques d'un style
Générer une table des matières
Pagination
Intérêt du mode plan
Gérer des entêtes et pieds de page
Les notes de bas de page
Exercice de mise en forme d'un document Docs à partir d'un texte brut et création d'une table des matières

- La mise en valeur du document
Insertion de liens : Chips intelligents
Insertion d'images
Filigrane
Les tableaux : insertion de lignes/colonnes, uniformisation de cellules
Insérer un tableau Google Sheets
Exercice d'insertion d'un tableau Sheets dans un document Docs

- Le travail collaboratif
Révision et historique des fichiers
Utiliser l'option « Partager - Outil collaboratif » pour un partage de document en ligne
Commentaires et discussions
La protection du document par mot de passe
L'impression PDF (pour communiquer un document et le rendre non modifiable)
L'envoi par mail d'un fichier
Participer à une visioconférence Google Meet à partir de Google Docs et présenter directement le contenu de votre document
Exercice de partage d'un document Docs avec Google Meet

- Utilisation de fonctionnalités / d'outils intégrés
Rédiger des brouillons d'e-mails
Utiliser Google traduction
La saisie vocale
Exercice d'utilisation de la saisie vocale

Sans niveau particulier

Objectifs Savoir intégrer ses données dans l'outil d'indexation "full-text" Elasticsearch, connaitre son langage d'interrogation et concevoir son propre modèle de données Compétences visées - Découvrir la base de données NoSQL Elasticsearch - Savoir installer et configurer le logiciel, découvrir les concepts clés - Se familiariser avec l'indexation des documents, leur mise à jour et leur suppression, la gestion des versions et la pondération - Maîtriser le mapping pour la concordance entre les données des documents et des types de données - Savoir analyser et extraire du texte, rechercher des documents, effectuer des recherches avancées - Découvrir des fonctionnalité avancées et l'utilisation de Kibana pour visualiser vos données et naviguer dans la Suite Elastic

- Introduction
Généralités
Historique du projet
Quelques mots sur Lucene
Les "plus" de Elasticsearch (ES)

- Les bases d'ElasticSearch
Principes de fonctionnement
Installation
Configuration de base
Vue générale de l'API REST
Noeud, Index et Type

- Indexation de documents
Conception des index
Indexer les documents
Mise à jour et suppression d'un document indexé
Versions
Pondération

- Mapping
Définition et rôle du mapping
Types de champs
Champs prédéfinis
Méta-données d'un index

- Analyse et extraction de texte
Analyser, découper et filtrer
Support des langues étrangères
Suppression des mots "inutiles"
Suppression des balises
Extraction d'URL et email
Correction orthographique
Intégration de Apache Tika

- Recherche de documents
Types de requêtes
query_string, match, range
term, bool, fuzzy, wildcard
Types de filtres
Gérer la pertinence des résultats

- Recherches avancées
Les suggestions
Les agrégations
terms, range, histogram, min/max/avg, statistiques, géographiques
Recherche géospatiale

- Fonctionnalités avancées
Autres types de plugins
La "percolation"
Ingestion de documents
Performances
Modélisation des données

- Utilisation de Kibana
Installation
Découverte des Index
Interrogations
Agrégations et Graphes

Sans niveau particulier

Objectifs Acquérir la méthodologie des enquêtes par sondage : techniques d'échantillonnage, conception de questionnaire, recueil des réponses, codage des données Compétences visées - Maîtriser les étapes de la conception d'une enquête - Appréhender les différentes méthodes d'échantillonnage ainsi que leurs biais - Interpréter les résultats d'une analyse et estimer une caractéristique à partir d'un échantillon - Mener des traitements de données d'enquête de type codage des variables, traitement de données manquantes et redressement d'échantillon

- Conception d'une enquête
Objectif de l'enquête
Elaboration d'un questionnaire
Formulation, ordre, présentation et codage des questions
Types d'erreur à éviter, problèmes des non-réponses
Test du questionnaire, enquête pilote

- Techniques d'échantillonnage
Plan de sondage
Taux de sondage
Sondage aléatoire simple, stratifié, en grappes
Méthode des quotas
Les erreurs d'échantillonnage
La signification des résultats d'analyse
Estimation d'une caractéristique à partir d'un échantillon

- Traitement
Le codage
Le traitement des non-réponses
Le redressement d'échantillon

- Exemples d'applications et études de cas

Sans niveau particulier

Acquérir une connaissance méthodologique et pratique de la fiabilité et des méthodes statistiques associées Compétences visées Connaître le principe d'inférence statistique et celui d'un test statistique Maîtriser les principales distributions de durée de vie et les concepts statistiques associés Pratiquer un ajustement de la durée de vie à un facteur Appréhender les modèles d'ajustement à plusieurs facteurs Construire des modèles de dégradation Mettre en oeuvre un plan d'expériences pour une étude de fiabilité

- Introduction aux modèles de fiabilité

- L'inférence statistique
La distribution normale
Intervalles de confiance sur une moyenne
« Risk assessment » : intervalle de confiance sur une proportion
Le cas particulier des petits échantillons
Le principe d'un test statistique

- Les distributions de durée de vie
Rappels de probabilité
Les principales distributions : Exponentielle, Weibull, Log-normale, Gamma
Comparaison des distributions
Fonction de survie et de risque
Définitions et estimations du Mean Time To Failure (MTTF) et du Mean Time Between Failures (MTBF)
Notion de censure

- Ajustement de la durée de vie à un facteur
Essais accélérés : le principe
Modèle d'Arrhenius et autres modèles d'accélération
Méthodes statistiques sous-jacentes
Tests de Wilcoxon entre groupes
Estimation du MTTF et du facteur d'accélération

- Modèles d'ajustement à plusieurs facteurs
Rappels théoriques
Les différents modèles
Qualité et choix de modèle
Prévisions de la durée de vie

- Modèles de dégradation
Le principe
Mise en pratique
Prévision des durées de vie

- Introduction aux plans d'expérience pour la fiabilité
Principe général
Concept et critère de plan optimal
Application

Sans niveau particulier

Objectif général : Écrire des programmes en C# et comprendre la Programmation Orientée Objet pour développer des applications .NET avec Visual Studio Objectifs détaillés : - Découvrir la technologie du framework .NET - Maîtriser la syntaxe du langage C# - Comprendre les concepts de la programmation Orientée Objet - Maîtriser l'outil de développement

- L'environnement
-Bref historique
-La Virtual Machine (CLR)
-L'outil de développement Visual Studio

- Les bases du langage
-Opérateurs et expressions
-Instructions de contrôle
-Les tableaux et les chaînes de caractères
-Les listes, les dictionnaires
-Les types énumérés

- Programmation Orientée Objet
-Rappel de la programmation objet et UML
-Les classes et les objets
-L'Héritage, classes abstraites, interfaces
-Le polymorphisme

- Concepts avancés
-Les classes génériques
-Les exceptions
-Les events et les delegates

- La gestion de fichiers
-Les classes FILE, StreamReader, StreamWriter

- Interface graphique
-Initiation à Windows Forms

Sans niveau particulier

Objectif général : Apprendre les techniques avancées du C#, la programmation des applications multithreads et la création des requêtes LINQ (Language Integrated Query) Objectifs détaillés : Maîtriser les points forts du Framework .NET Accéder aux bases de données Savoir utiliser le code LINQ dans les requêtes Déployer un projet

- La programmation multithread
-Présentation des mécanismes de gestion du multitâches
-Mise en place d'objets de synchronisation
-Le multitâches dans la partie graphique

- Accès aux bases de données
-Présentation de ADO.NET
-Data Binding avec la partie graphique

- Présentation de LINQ
-LINQ to Object
-LINQ to DataSet
-LINQ to XML

- Projet de déploiement
-Fabrication d'un installer msi

Sans niveau particulier

Maîtriser la programmation VBA dans l'environnement Microsoft Office Excel.

- Macros
Présentation des macros Excel et de leur histoire
Macros et sécurité
Enregistrement de macros
Exécution d'une macro
Mode pas-à-pas
Affectation d'une macro à un élément d'interface (bouton, barre d'outils d'accès rapide, ruban)

- L'interface de programmation : Visual Basic Editor
Présentation de l'interface VBE
Organisation générale d'un projet Excel

- Syntaxe VBA
Variables / Constantes
Opérateurs
Structures de contrôle
Fonctions intégrées
Gestion d'erreurs
Procédures personnalisées
Notions de Programmation Orientée Objet

- Modèle d'objets Excel
Présentation
L'objet Application
L'objet Workbook
L'objet Worksheet
L'objet Range
Evocation d'autres objets utiles (Chart, PivotTable,...)
Evénements du modèle d'objets Excel

- Boîtes de dialogue personnalisées (Userforms)
Ajout de Userforms dans un projet Excel
Dessin des Userforms
Programmation des Userforms
Principaux événements des Userforms et de leurs contrôles

Sans niveau particulier

Objectif général : S'initier à l'utilisation du tableur en ligne Sheets de Google, concevoir des tableaux simples avec graphiques Compétences visées : - Concevoir et mettre en forme des tableaux simples - Réaliser des calculs simples ou plus complexes à l'aide de fonctions dans Google Sheets - Apprendre à réaliser des graphiques pour faciliter l'analyse des données numériques - Découvrir le partage des données en ligne avec les outils de travail collaboratif

- Présentation du tableur en ligne
Les + et les - par rapport à Excel
La compatibilité avec les standards du marché
Création d'un compte Google
Organisation du Drive, stockage gratuit jusqu'à 15Go

- L'environnement de travail
Comprendre et se familiariser avec l'environnement
Savoir interpréter les évolutions du pointeur
Les différents menus et fonctionnalités associées
Les raccourcis clavier
Notion de feuilles de calcul, de cellules
Sélectionner et déplacer des feuilles de calcul
Sélectionner et déplacer des données d'une feuille de calcul

- La mise en forme d'un tableau
Saisir des données de nombres, de date et de texte
Les formats de cellules
Création d'un tableau simple avec les 4 opérations élémentaires
Mise en valeur du tableau : couleur, bordures, fusion de cellules, insertion d'illustrations
Dupliquer la mise en forme
Aperçu avant impression
Exercice de mise en forme d'un tableau à partir de données brutes

- Mise en page avant impression
En-tête et pied de page
Mise en page et zone d'impression
Exercice de personnalisation d'un document en travaillant la mise en page

- Les calculs et les fonctions
Insertion de formules et/ou de fonctions
Les formules et fonctions de base
Utilisation de la poignée de recopie
Importance de différencier les références absolues et les références relatives
Exercice de calcul d'une colonne de pourcentage associée à des volumes et à un total

- La création de graphiques, insertion et mise en forme
Le graphique en colonne
Le graphique en barre horizontale
Le graphique linéaire
Le graphique sectoriel
Exercice de création d'un graphique à partir d'une sélection de données

- Le travail collaboratif
Utiliser l'option « Partager - Outil collaboratif » pour un partage des données en ligne
Les imports / exports de données selon différents formats
L'impression PDF (pour communiquer un document et le rendre non modifiable)
L'envoi par mail d'un fichier
Exercice d'import ou d'export de données

Sans niveau particulier

Se perfectionner à l'utilisation du tableur en ligne Sheets de Google, concevoir des tableaux complexes avec graphiques

- Révisions sur le tableur en ligne
La compatibilité avec les standards du marché
Organisation du Drive
Les formats date
Les formats de cellules personnalisés
Le partage de fichier
Les commentaires

- Exploiter les données
La validation de données
Eliminer des doublons dans une liste
Les tris simples
Les tris personnalisés
Les filtres et vues filtrées
Figer des lignes et colonnes
La mise en forme conditionnelle
Exercice d'illustration de données à l'aide d'une mise en forme conditionnelle

- Les calculs et les fonctions
Rappels sur les références absolues et relatives
Recopie de formules
Nommer une plage de données
Utiliser les noms dans les formules
Les fonctions statistiques et les fonctions SI, ET, OU
Les fonctions imbriquées
Les fonctions de texte
La fonction RECHERCHEV
Exercice d'utilisation d'une fonction SI combinée avec une fonction ET
Exercice avec la fonction RECHERCHEV pour ramener une information contenue dans un autre fichier

- Analyser les données avec les tableaux croisés dynamiques
Créer et modifier un TCD
Le panneau Explorer
Dénombrer et sommer avec les TCD
Exercice de création d'un TCD et génération de statistiques automatiques

- Création de graphiques avancés
Graphiques à colonnes ou à barres
Graphiques en courbe ou aires
Graphiques en histogramme
Graphiques en secteurs ou anneaux
Graphique à nuage de points ou bulles
Graphique combinés (à double échelle)
Les graphiques croisés dynamiques
Les cartes
Les horloges
Les sparklines
Exercice de création d'un graphique combiné

Sans niveau particulier

Découvrir les règles syntaxiques et les éléments HTML5 en vue de la réalisation de documents Web respectueux des standards.

- Présentation : les documents Web et les langages associés
Historique des langages et technologies du Web
Quel langage pour quel effet ?
Editeurs dédiés et outils en ligne de tests
Outils de débogage des navigateurs Web
Documentations en ligne

- Vocabulaire HTML5
Balises ou éléments ?
Anatomie des balises HTML5
Attributs et valeurs
Types de valeurs disponibles pour les attributs
Attributs universels

- Squelette d'un document HTML5
Structuration minimaliste d'un document
Informations complémentaires et annexes au document
Jeu de caractères et affichage de caractères
Texte et contenu rendu en l'état
Entités HTML

- Structuration sémantique du contenu
Le texte et les paragraphes de titres
Les éléments de structuration sémantique du document
Listes
Images et illustrations
Liens hypertextes
Eléments Multimédia
Tableaux
Inclusion de plug-ins externes

- Formulaires HTML
Présentation du fonctionnement complet des formulaires
Eléments de composition des formulaires
Eléments de génération des contrôles d'un formulaire
Attributs concourant à une validation automatique par le navigateur
Limites de la validation automatique

- Évocation des notions avancées d'HTML5
Le dessin avec svg et canvas
L'API HTML5
La gestion du cache du navigateur avec les manifestes de cache.

Sans niveau particulier

Objectifs Maîtriser le vocabulaire de la métrologie, les éléments de statistiques indispensables ainsi que les différentes techniques de la métrologie Compétences visées - Comprendre la notion d'étalonnage - Savoir calculer une incertitude de mesure - Comprendre et calculer la capabilité d'un instrument de mesure - Pouvoir comparer deux instruments de mesure - Utiliser les intervalles de confiance en échantillonnage

Jour 1

- Introduction générale

- Le vocabulaire international de la métrologie (VIM)

- Organisation de la métrologie
Organisations supranationales et nationales
Métrologie légale et industrielle
Gestion d'un parc d'instruments de mesure

- Fiabilité de la mesure
La nécessité d'une mesure fiable : les deux risques
Définition opérationnelle
Exercices

- Les normes liées et la métrologie
Normes de management du système qualité
Exigences de la norme ISO 9001
Exigences de la norme IATF 16949
Les normes ISO 17020, 17025 et ISO 5725
Les autres normes liées à la métrologie
Normes métrologiques

- Quelques éléments de statistique
Paramètres de tendance centrale : moyenne, médiane, mode
Paramètres de dispersion : étendue, variance, écart-type
La loi normale
Le théorème de la limite centrale
Exercices

Jour 2

- Notions essentielles de métrologie
Justesse
Biais et linéarité
Fidélité
Exactitude
Erreur systématique
Erreur aléatoire
Incertitude
Résolution et seuil de discrimination
Exercices

- Les techniques de la métrologie
Étalonnage
Définition
Les différents étalons
Choix de la fréquence d'étalonnage
Exercices
Calcul de l'incertitude de mesure
Incertitudes de type A et de type B
Incertitude élargie
Incertitude composée
Exercices
Calcul de la capabilité d'un instrument de mesure (R&R & P/T)
Reproductibilité
Répétabilité
Utilisation des indices R&R et P/T
Les critères d'acceptation
Les méthodes de calcul
Exercices
Comparaison d'équipements de mesure
La technique des échantillons appariés
Calcul du T de Student
Échantillonnage & Intervalles de confiance
L'inférence
Calcul de l'intervalle de confiance
Exercices
Comparaison interlaboratoires

Sans niveau particulier

Objectifs Comprendre le concept de bases de données relationnelles et maîtriser les commandes du langage SQL pour interroger et exploiter les informations stockées en bases de données Compétences visées - Connaitre le fonctionnement d'une Base de Données - Savoir utiliser les commandes du langage SQL et maîtriser les jointures - Savoir créer une base de données, créer un Modèle - Apprendre à sauvegarder et restaurer les données - Savoir utiliser MySQL - Gérer le contenu d'une base de données, les privilèges - Appréhender les interactions avec les langages de programmation

- Introduction
Rappels de concepts de base des SGBDR
Introduction à l'algèbre relationnelle applicable au langage SQL : projection, union, intersection
Terminologie
Méthode de spécification d'une Base de Données

- Langage SQL
Commandes SQL par groupes (DML, DDL, DCL, TCL)
Mise en place d'un environnement de travail MySQL
Opérations de sélection
Le type Date
Utilisation d'opérateurs arithmétiques
Fonctions sur les chaînes
Tri
Regroupement
Traitement de groupes
Les jointures

- Modification de la Base de Données
Création/modification/suppression d'une table
Ajout/modification/suppression de lignes dans une table
Notion de transaction

- Gestion des privilèges
Principes généraux
Ajout d'un utilisateur, gestion des droits

- Modes d'utilisation de la Base de Données
Principe d'interaction des langages de programmation avec une base de données
Principe de fonctionnement des ORM

Sans niveau particulier

Découvrir et maîtriser la syntaxe du langage Java Mettre en oeuvre la programmation orientée objet Utiliser un outil de développement Java

- Les bases du langage Java
Présentation de l'écosystème Java, JDK
Fonctionnement interne (JRE, JIT)
Opérateurs et expressions
Instructions de contrôle
Les tableaux et les chaînes de caractères
Les listes, les dictionnaires
Les types énumérés
Exceptions
Annotations

- Programmation Orientée Objet
Rappel de la programmation objet et UML
Les classes et les objets
L'Héritage, classes abstraites, interfaces
Le polymorphisme

- Classes de base
Les types incontournables : object, string, ...
Gestion des nombres et dates

- Gestion des entrées-sorties
Accès au clavier et à la console
Utilisation des Streams
Lecture et écriture de fichiers

- Bases de données
Introduction à JDBC
Introduction à JPA

Sans niveau particulier

Objectifs : Comprendre les grands principes de fonctionnement d'une application Shiny. Passer en revue les possibilités offertes par Shiny et ses packages complémentaires. Mettre en pratique par la création d'une application web interactive Compétences visées : - Percevoir le potentiel de Shiny pour partager vos analyses R au travers d'une page web interactive - Comprendre l'architecture d'une application Shiny avec son interface utilisateur (UI) et son serveur (server) - Découvrir les personnalisations possibles de l'interface utilisateur - Déployer le concept de réactivité pour mettre à jour automatiquement une sortie lorsqu'une entrée est modifiée - Enrichir l'application avec des tables et des graphiques interactifs, des tableaux de bord à l'aide de packages complémentaires - Connaître les bonnes pratiques pour la conception d'une application Shiny - Déployer une application Shiny - Concevoir une application Shiny de A à Z

- Généralités sur Shiny
Présentation de Shiny
Principes d'une application Web
Utilité, applications et exemples

- Concepts-clés
Architecture d'une application Shiny
Généralités sur l'objet UI
Généralités sur la fonction server
Liens entre UI et server
Pratique : créer des premières applications simples

- Personnalisation de l'interface
Les objets de type input : généralités et exemples courants
Génération de code HTML
Thèmes
Menus et barres de navigation
Affichage conditionnel
Pratique : personnaliser l'interface d'une application existante

- Réactivité
Concept de la réactivité
Variables et expressions réactives
Fonctions réactives et déclencheurs
Fonctions de type observe et isolate
Pratique : optimiser une application existante en utilisant la réactivité

- Packages complémentaires
Graphes interactifs avec Plotly
Tables interactives avec DT
Autres exemples de visualisations interactives (cartographie, nuages de mots...)
Reporting avec Shinydashboard
Pratique : applications rapides dans des applications existantes

- Déploiement et bonnes pratiques
Généralités sur le déploiement d'application Shiny
Déploiement sur Shinyapps.io
Bonnes pratiques dans la conception d'application

- Cas pratique : conception d'application
Construction progressive d'une application Shiny, étape par étape
Mise en pratique de la quasi-totalité des concepts vus précédemment : interface à personnaliser, réactivité pour optimiser le code, packages complémentaires à utiliser...

Sans niveau particulier

Connaître le langage Javascript afin de développer des pages Web interactives et réactives.

- Présentation de Javascript
Histoire du langage
Les versions de Javascript, Jscript, ECMAScript
Environnements d'utilisation de Javascript

- Bases du langage JavaScript
Les variables et leur portée
Types fournis par Javascript
Les opérateurs et structures de contrôle
« Objets » fournis par le langage
Définition de fonctions, arguments
Outils de débogage (navigateurs et IDE)
JavaScript Object Notation (JSON)
Documentations en ligne

- Particularités de Javascript
Prototypes vs objets
Fonctions anonymes, fonctions flèches et fermetures
Ajout de membres aux prototypes de base
Fonctions ayant valeur de constructeur

- Javascript dans le contexte du navigateur
Incompatibilités historiques entre navigateurs
BOM et DOM
API Javascript HTML 5

- Evénements DOM
Réaction à un événement
Principaux événements du DOM
Bouillonnement, propagation, délégation, interruption d'événements

- Javascript et asynchronisme
Principe de l'asynchronisme en Javascript
Les fonctions de rappel
Cas d'usage de l'asynchronisme : requêtes AJAX
L'enfer des callbacks
Gestion de l'asynchronisme via les promesses
Gestion de l'asynchronisme via les fonctions asynchrones

- Écosystème Javascript
Environnement d'exécution node.js
Évocation et comparaison de différents Framework Javascript : jQuery, Bootstrap, Angular, React, Vue.js, RxJS

Sans niveau particulier

Découvrir les principales étapes d'une étude de Machine Learning et un panorama des méthodes associées (Data Mining, Analyse de Données). Apprendre à extraire de l'information utile à partir de données volumineuses, changeantes, non structurées.

- Définitions du Machine Learning
Le contexte du Machine Learning : volume des données, nature des problèmes, mélange des disciplines
Définitions du Machine Learning et de l'Analyse de Données
L'histoire récente

- Le processus Machine Learning
Les étapes du “Knowledge Discovery in Databases” (KDD)
Extraction, prétraitements et nettoyage
Analyses exploratoires
Visualisations
Modélisation
Analyse des résultats
Intégration
Échantillon d'apprentissage, de test et de validation

- Méthodes d'exploration graphique
Les analyses factorielles : composantes principales, correspondances simples et multiples
Les algorithmes de classification : arbres et centres mobiles
Les graphiques de Bertin

- Les réseaux de neurones
Principes des réseaux de neurones (perceptron)
Techniques de calculs
Applications à la résolution de nombreux problèmes dont la discrimination et la régression
Forces et faiblesses de l'approche

- Les arbres de décision
Principe des arbres
Les principaux algorithmes
Validation et élagage d'un arbre
Quelques exemples d'applications

- Les méthodes parcimonieuses
Régression pas à pas
Régression LASSO
Régression RIDGE
Elastic Net

- Les méthodes de ré-échantillonnage
Bagging
Boosting
Random Forest

- Le Text mining
Principe et méthodes du Text mining
Techniques factorielles, typologies et lexicométrie
Quelques applications : documents, messages électroniques, Internet, ...

- Les principaux logiciels de Machine Learning

- Bilan.

Sans niveau particulier

Objectifs Apprendre à réécrire sous R un programme SAS faisant appel à des étapes de manipulation, de traitement, d'analyse et de visualisation de données Compétences visées - Comprendre les principales différences et similitudes entre SAS et R - Découvrir les principales fonctions R natives et celles des packages incontournables pour le traitement et l'analyse de données - Transformer un code SAS en R

- Introduction
Présentation de R et son interface R Studio
Spécificités de l'approche R (par rapport à SAS)
Spécificités de la syntaxe R (par rapport à SAS)

- Manipulations de base sous R
Généralités sur le langage R "historique"
Installation et chargement de packages
Types de données sous R
Importer des fichiers sous R (textes bruts, Excel, dataset SAS)
Récupérer les caractéristiques d'un objet (équivalent procédure CONTENTS)
Calculer des indicateurs statistiques, et comparaison par rapport aux procédures type MEANS / FREQ de SAS
Pratique : importer un fichier SAS depuis R, le décrire et calculer des statistiques descriptives

- Traitement de données sous R
Le dataframe et ses manipulations courantes : équivalent sous R des dataset SAS
Package dyplr : manipuler les données dans une logique similaire à celle des étapes data / proc SQL
Autres packages du tidyverse : manipulations sur les dates, facteurs, chaînes de caractère, transpositions de données
Pratique : manipuler sous R un fichier de données

- Visualisations
Présentation succincte des fonctions natives de visualisation sous R
Package ggplot2 : principes, syntaxe et comparaison par rapport aux procédures GPLOT et SGPLOT
Pratique : produire sous R différentes visualisations graphiques

- Analyse de données et machine learning
Tests statistiques et ACP : mise en oeuvre sous R et interprétation des sorties
Régression linéaire : comparaison des approches et sorties de R par rapport à SAS (proc REG)
Introduction rapide au machine learning sous R
Pratique : mettre en oeuvre une régression et / ou une ACP sous R et comparer les sorties obtenues avec celles de SAS

- Aperçu des possibilités de R avec des packages additionnels
Packages SQL : pour rester dans la syntaxe d'une proc SQL
Markdown : pour générer des fichiers de sortie html / pdf dans la logique des sorties ODS de SAS
Shiny et/ou plotly : pour aller plus loin dans la visualisation interactive
Caret : pour aller plus loin dans le machine learning
Pratique : avoir un aperçu concret de ce que permettent ces packages à partir d'exemples déjà fournis

- Programmation sous R
Boucles et conditions sous R
Fonctions sous R : une alternative au macro langage de SAS
Fonctions de type apply : une autre alternative au macro langage
Pratique : transposer une macro SAS existante en un traitement automatisé sous R

- Cas pratique récapitulatif : transposer un code SAS en R
Réécrire sous R un programme SAS constitué de plusieurs étapes data, de macros / macro-variables et de procédures de visualisations
Etudier les différentes alternatives possibles sous R

- Conclusion
Forces et faiblesses de R par rapport à SAS
Récapitulatif des équivalents R sur les principales procédures SAS
Bonnes pratiques à acquérir et pratiques issues de SAS à bannir

Sans niveau particulier

Se familiariser avec les fonctionnalités avancées de QGIS : Interrogation d'une base de données, modélisation et automatisation de traitements de données, traitements de données raster.

- Rappels sur les fonctionnalités de base de QGIS
Identification et utilisation des extensions majeures : Gdal Tools, Ftools, GRASS et SAGA
Les fonctions d'analyses de QGIS
L'analyse des données attributaires
Langage de requête SQL
Calculs géographiques
Jointure entre tables de données
Les requêtes spatiales
Qu'est-ce qu'une requête spatiale ?
Les requêtes spatiales de QGIS
Création de zones tampons et de zones de recherche
Intersection et union entre couches

- Automatisation et utilisation d'un Système de Gestion de Base de Données (SGBD)
Le modeleur de traitement
Utilisation d'un SGBD avec QGIS
Connexion à la base de données
Utilisation de l'interface DB MANAGER
Optimisation des requêtes avec le langage SQL
Utilisation des opérateurs spatiaux

- Exploitation de données raster
Les différents formats des données raster
Création d'un raster virtuel
Création de mosaïque
Exploitation d'un Modèle Numérique du Terrain (MNT) pour produire des informations sur le relief

- Utilisation des outils GRASS et SAGA
Les outils de traitements GRASS et SAGA
Complémentarité entre QGIS, GRASS et SAGA
Organisation des données et des modules GRASS et SAGA
Exercices pratiques pour découvrir les fonctionnalités
L'interpolation de données ponctuelles et analyse spatiale
Exploitation de données d'altitude (calcul de pente, de sens d'écoulement, de bassins versants)
Les représentations du territoire en 3D

Sans niveau particulier

Objectifs Extraire l'information utile et pertinente d'un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d'un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes). Le but est l'exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,...) et la modélisation (pouvoir prédire et anticiper le comportement d'un processus industriel ou transactionnel). Compétences visées - Disposer d'une présentation de la méthode NIPALS et de ses particularités afin d'explorer, modéliser et prédire - Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en oeuvre de l'algorithme NIPALS - Découvrir les principes de la méthode de régression PLS avec l'algorithme NIPALS et ses avantages par rapports aux méthodes de régression classiques - Mettre en oeuvre une méthode de régression avec 1 variable dépendante (PLS1) et avec 2 variables dépendantes (PLS2) - Savoir utiliser l'analyse discriminante basée sur la régression PLS (PLSDA) - Examiner différents cas d'applications des méthodes PLS

- Méthode NIPALS (Non Iterative Partial Least Square)
Présentation de la méthode NIPALS
Particularités de cette méthode pour l'analyse des données
Utilisation pour les différents outils de l'analyse des données selon les objectifs poursuivis
Exploration
Modélisation
Prédiction

- L'analyse en Composantes principales (A.C.P.)
Particularités de l'ACP mise en oeuvre avec l'algorithme NIPALS
Représentation géométrique
Approche algébrique
Mise en oeuvre
Analyse
Utilisation des aides à l'interprétation
Exemples d'utilisation traités

- La régression PLS
Principes de la régression PLS avec l'algorithme NIPALS
Avantages par rapport aux méthodes de régression classiques (gestion de la multicolinéarité, des valeurs manquantes, tableaux déséquilibrés avec plus de colonnes que de lignes,...)
Régression PLS1
Présentation de la PLS1
Construction d'un modèle PLS1
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités
Régression PLS2
Présentation de la PLS2
Particularités de la PLS2
Conditions d'utilisation
Construction d'un modèle PLS2
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités

- L'analyse Discriminante
Types de données et objectifs poursuivis
Exploration et identification de groupes
Affectation de nouveaux individus : prédiction
Méthode SIMCA (Soft Independent Modeling of Class Analogy)
Utilisation de l'ACP NIPALS pour l'identification de groupes
Règles de discrimination : le Cooman's plot
Mode d'affectation de nouveaux individus ou groupe d'individus
Exploration et identification de groupes
Application sur divers exemples
La régression PLSDA (Discriminant Analysis)
Présentation et particularités de la PLSDA
Conditions d'utilisation
Construction d'un modèle PLSDA
Les méthodes de validation internes ou croisées pour le choix du nombre de composantes
Validation externe
Les prévisions
Présentation et utilisation des aides à l'interprétation
Application sur divers exemples traités

- Applications
Analyses de spectres
Contrôle de procédés par lots (batch)
Contrôle statistique multidimensionnel MSPC
Introduction à l'analyse des données OMICS

Sans niveau particulier

Objectifs Découvrir comment décrire, comparer, classer, analyser des ensembles de textes. Il peut s'agir de textes littéraires, scientifiques (bibliométrie, recherche documentaire), économiques, sociologiques (réponses aux questions ouvertes dans des enquêtes socio-économiques, entretiens divers en marketing, psychologie appliquée, pédagogie, médecine), de textes historiques, politiques... Compétences visées - Se familiariser avec l'analyse textuelle - Connaître les étapes de qualification et de formatage des données brutes en vue d'y appliquer les méthodes d'analyse statistique - Mener une analyse descriptive du texte (fréquence des mots, bilan lexical, table de dissimilarité, co-occurences, nuage de mots,....) - Approfondir l'analyse au moyen de techniques multidimensionnelles

- Introduction
Présentation de l'analyse statistique textuelle
Domaines d'application
Exemples d'utilisation
Présentation du logiciel de traitement

- Importation des données
Les diverses natures et sources de données textuelles utilisables
Procédures d'importation selon la nature des données
Exemples d'importation

- Codification : du texte brut au tableau statistique
Données textuelles et données contextuelles
Création du tableau lexical : la création des documents
Prétraitement des données textuelles (mise en forme, lemmatisation)
Dictionnaire des termes

-Analyse descriptive
Calcul de la fréquence de mots : identifier les termes ou concepts les plus récurrents
Bilan lexical par document, par variable de contexte
Table de dissimilarité entre documents ou entre modalités de variable contexte
Spécificités : termes sur- ou sous-représentés dans une modalité d'une variable de contexte
Co-occurrences : termes spécifiques des documents qui contiennent un terme donné.
Contexte dans lequel un mot est cité, permet d'éclairer le sens du texte
Nuage de mots (« word_cloud »)

- Analyse multidimensionnelle
Permet de révéler le sens profond des données textuelles et de synthétiser l'information contenue dans les données
Analyse factorielle des correspondances (Examen multidimensionnel du lien des termes entre eux, avec les documents et avec les variables de contexte)
Classification ascendante hiérarchique des documents en groupes homogènes au regard des termes et des variables de contexte

- Traitement complet d'un exemple réel

Sans niveau particulier

Objectifs Maîtrisez l'approche MLOps (Machine Learning Operations) pour concevoir des modèles d'apprentissage machine adaptés à leur déploiement en production puis les maintenir tout au long de leur cycle de vie. Compétences visées - Connaître les différentes étapes de vie du modèle et de la donnée après le Proof Of Concept (POC) - Connaître les méthodes de réduction de dimensions d'un modèle pour le passage à l'échelle - Connaître les différentes plateformes de production - Savoir mettre en place des algorithmes d'explicabilité d'un modèle - Avoir des notions sur l'embarquabilité - Avoir des notions sur l'entrainement de larges modèles de façon distribuée

- La vie après le Proof Of Concept (POC) - 1 jour
Qu'est ce que le MLOps ?
Cycle de vie de la data
Tour d'horizon des différentes plateformes de production
La malédiction de la dimensionnalité
Choix techniques de la mise en production
Présentation de plateformes d'embarquabilité

- Les étapes de mise en production de modèles de Deep Learning - 1 jour
Algorithmes de réduction de dimension
Pruning
Quantization
Evaluation des performances du modèle après réduction
Explicabilité du modèle avec les algorithmes LIME et SHAP
Présentation d'architectures pour l'entrainement de larges modèles en distribué

- Prise en main de Docker - 1 jour
Présentation de Docker
Mise en pratique avec le déploiement d'un modèle avec FastAPI et Docker

- Prise en main de Kubernetes - 1 jour
Présentation de Kubernetes
Présentation de KubeFlow
Mise en pratique de déploiement d'un modèle

Sans niveau particulier

Savoir écrire un programme en Ruby, comprendre la conception Modèle-Vue-Contrôleur (M.V.C.) et maîtriser les composantes de Rails.

- Présentation

- Installation

- Le langage Ruby
Les bases
Structures de contrôle
Structures de données
Manipulation des fichiers
Classes et méthodes
Gestion des erreurs

- Prise en main du framework Rails
Modèle MVC de Rails
Conventions de nommage
Application
Base de données
Contrôleurs
Modèles
Les migrations
Les fixtures
Les tâches
Les Routes

- Création d'une première application Rails

- Action controller et action View
Les Vues : Action View
Relations View/Controller
Partiels, render
Ajax
Helpers
ActionController : Héritage des classes
ActionController : Filtres

- Active Record
Relation entre les modèles
Validations
Les contraintes d'intégrité

- Références

Sans niveau particulier

Mieux maîtriser Word, ses nombreux outils et fonctionnalités avancées pour gérer plus efficacement de longs documents, savoir créer des formulaires, mettre en oeuvre du publipostage et produire automatiquement une table des matières et un index. Compétences visées : Appréhender les styles pour faciliter la mise en place automatique de la table des matières Savoir élaborer un formulaire avec des champs améliorant la saisie d'information Découvrir le publipostage : comment relier une base de données et un document Word pour créer un mailing à imprimer ou à envoyer par email Produire un index en fin de document récapitulant les mots clés, indexer les mots clés par des numéros de page. Ajouter au document des notes de page pour renseigner le lecteur sur des points précis du texte Travailler en mode collaboratif avec le mode Révision pour donner la possibilité de suivre les modifications du texte par d'autres personnes. Enregistrer une macro avec Word lors de tâches répétitives, en découvrant le langage VBA (Visual Basic pour Application)

- Rappels sur plusieurs notions essentielles de Word
Les paragraphes
Les sections
Les styles
Outils de vérification et correction de l'orthographe

- Créer automatiquement une table des matières
La barre des styles et le style Normal : modifier les paramètres d'un style existant, créer un style, numéroter des titres avec des styles
La table des matières : création, mise à jour, modification avec les styles TM

- Élaborer un formulaire
Insérer un champ de saisie
Protéger un document en mode formulaire
Insérer dans un formulaire des boutons (zone de liste, case à cocher), un calcul, un champ date avec calendrier

- Mettre en oeuvre le publipostage
Le fichier des adresses et la lettre type
Le menu Publipostage et les étapes
La sélection des destinataires et les champs
Terminer et fusionner

- Produire un index et des notes de page en fin de document
Marquer les entrées d'index
Insérer l'index
Mettre à jour l'index
Insérer une note de bas de page
Insérer une note de fin de document

- Le mode Révision
La révision d'un document : démarrage et validation de toutes les modifications

- Enregistrement d'une macro
Le rôle d'une macro
Le menu Développeur
La partie Code

Sans niveau particulier

Objectifs : Apprendre à analyser une série temporelle (appelée également série chronologique), c'est à dire les valeurs prises par une variable observée à intervalles de temps réguliers, en vue de la modéliser pour effectuer des prévisions Compétences visées : - Appréhender les principes généraux des séries temporelles - Identifier les grands types de série - Comprendre l'intérêt des transformations et ajustements de séries pour corriger les données - Apprendre à décrire une série, rechercher sa saisonnalité, identifier la tendance et savoir la décomposer selon différents schémas - Connaître diverses techniques de lissage pour désaisonnaliser - Mettre en oeuvre des modélisations afin d'établir des prévisions

- Introduction et principes généraux des séries temporelles

- Les grands types de séries

- Transformations et ajustements
Transformations mathématiques
Transformations pour correction des données (inflation, jours ouvrés, ajustement de population)

- La description d'une série temporelle
Vérification par tests du caractère non aléatoire des données
Recherche et caractérisation d'une saisonnalité
Définition de la notion d'auto corrélation. Recherche du "lag" pertinent.
Les divers schémas d'auto corrélation et leurs conséquences sur la nature de la série.
Identification et caractérisation d'une tendance
Les divers types de tendances (linéaires, quadratiques, exponentielles,...)
Les techniques de lissage (moyennes mobiles, Spencer, Whittaker-Henderson, EWMA, lissages non linéaires de TUKEY)
Décomposition d'une série temporelle (schémas additifs ou multiplicatifs)
Illustration par exercices sur des données réelles

- Les prévisions
Chemin aléatoire ou « Random walk »
Les tendances (linéaire, quadratique, exponentielle, courbe en S)
La moyenne mobile
Les lissages exponentiels( simple, Brown, Holt, quadratique, Winter)
Les modèles ARIMA
Les diverses méthodes de validation
Modèles de prévision à plusieurs variables
Exercices d'application sur données réelles pour illustrer les divers cas

Sans niveau particulier