Formations Statistique à distance (classe virtuelle)

Apprendre à décrire des jeux de données à l’aide de résumés numériques et de représentations graphiques

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, …

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

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.

Acquérir des bonnes pratiques en communication et présentations orientées « données »

Acquérir la connaissance méthodologique et pratique de la Maîtrise Statistique des Processus (MSP/SPC) et des différents types de cartes de contrôle

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.

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 l’évolution de la qualité.

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.

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.

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.

Savoir générer, exécuter et analyser un plan de mélange en vue de l’optimisation d’une formulation de mélange dans un produit

Acquérir une connaissance méthodologique et pratique de la fiabilité et des méthodes statistiques associées

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

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

Apprendre à mettre en œuvre 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 …

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), ….

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).

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.

Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en œuvre des applications pratiques dans R.

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

Maîtriser les bases des statistiques dans le développement préclinique

S’approprier les méthodes de base en biostatistique : statistique descriptive, échantillonnage, estimation, intervalles de confiance, tests …

S’approprier les principales méthodes de régression utilisées en Biostatistique. Savoir manipuler, analyser et interpréter des données avec différents types de modèles de régression.

S’approprier les méthodes d’analyse de survie pour l’étude du délai de survenue d’un évènement avec des applications en Biostatistique. Savoir manipuler, analyser et interpréter des données dans le cadre d’une analyse de survie.

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.

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.

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

Lire, comprendre et critiquer les études cliniques interventionnelles et non interventionnelles et les méta-analyses

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.

Comprendre la méthodologie des méta-analyses et savoir en évaluer la robustesse

Acquérir la méthodologie des enquêtes par sondage : techniques d’échantillonnage, conception de questionnaire, recueil des réponses, codage des données

Acquérir les notions indispensables à la mise en œuvre d’un programme de fidélisation clients depuis la conception du questionnaire d’enquête jusqu’à l’élaboration de plans d’actions curatifs et préventifs sur la base d’une évaluation de retours sur investissement ainsi que du suivi interne de la rentabilité

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 œuvre efficace des procédures statistiques multidimensionnelles.

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

Donner du sens à des informations contenues en base de données en les transformant en indicateurs.
Disposer des éléments clés pour la construction d’un tableau de bord sous Excel afin de favoriser une prise de décision éclairée.

Mettre en œuvre une analyse statistique dans Excel pour faire des choix pertinents, apprendre à en synthétiser les résultats pour les diffuser.

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, …

Apprendre à utiliser le langage Python pour analyser des données. Mettre en œuvre avec Python les méthodes de statistique descriptive, décisionnelle, analyse de la variance, régression linéaire et analyse de données multidimensionnelles.

Connaître le logiciel R pour gérer les données, réaliser des analyses statistiques et graphiques

S’approprier les outils, et les méthodes permettant de rendre son processus d’analyse de données sous R, aisé, reproductible, et performant.

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.

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

Exploiter les nombreuses fonctionnalités des packages dplyr, tidyr et lubridate pour manipuler efficacement des tableaux de données dans R

Exploiter les nombreuses fonctionnalités du package ggplot2 pour réaliser des graphiques élaborés dans R

Apprenez à élaborer facilement et rapidement vos rapports d’analyse, rapports d’activités, documents de recherche et d’enseignement dans le logiciel R à l’aide de Quarto

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.

Apprendre à réécrire sous R un programme SAS faisant appel à des étapes de manipulation, de traitement, d’analyse et de visualisation de données

Connaître le logiciel Jamovi pour gérer les données, réaliser des analyses statistiques et générer des rapports

Connaître le logiciel Minitab de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques

Connaître le logiciel JMP de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques

Connaître le logiciel StatGraphics de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques

Connaître le logiciel SPAD de manière approfondie pour gérer les données, réaliser des analyses statistiques et graphiques.

Connaître le logiciel XLSTAT pour gérer les données, réaliser des analyses statistiques et graphiques.

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.

Acquérir la connaissance méthodologique et pratique de l’inférence bayésienne et ainsi être autonome dans l’utilisation des divers modèles.

Acquérir des compétences appliquées relatives à l’analyse de données aussi bien quantitatives que qualitatives.
A l’issue de ce cycle de formation Data Analyst, vous saurez résumer l’information pertinente présente dans un fichier de données et en extraire celle utile à la prise de décision.

Acquérir les compétences nécessaires pour développer une véritable aisance dans le traitement, l’analyse des données et le reporting dynamique sous Excel