Statistiques et Data Science : Études de cas en R et Python

Comment choisir les représentations les plus pertinentes pour ne pas fausser l'interprétation de vos dataviz.

Astuces pour bien définir sa variable facteur dans une instruction case_when suite aux dernières mises à jour de dplyr.

Les concepts et outils cachés derrière le DevOps et son cousin MLOps

Une alternative pour visualiser des sous-ensembles et leur total sans les empiler

Quelques exemples d'utilisation de if_any et if_all dans le traitement de vos données avec R.

Démonstration de l'utilisation du package keras3 pour faire du Deep Learning avec R.

Implications théoriques des méthodes d'appariement par score de propension et implémentation avec le package R MatchIt.

Petit exemple pour vous accompagner dans la transition de RMarkdown vers Quarto, et pourquoi ça va rendre vos rapports encore plus ergonomiques!

Les essentiels et rien que les essentiels pour se lancer en Data Science avec Python.

Petite présentation intuitive des p-values et de leur utilisation dans nos modèles statistiques.