Data Science pour l'agriculture

Mise à jour 18/03/2024

Objectifs

Acquérir les bases permettant de manipuler les principales méthodes de data science pour des objectifs de prédiction
Appréhender la pratique réelle de ces méthodes au travers d’exemples et de travaux pratiques avec le logiciel R

Public

Ingénieurs et chercheurs travaillant dans les domaines de l’agriculture et de l’environnement.

Pré-requis

connaissances de base du logiciel R
maîtriser les méthodes de base de régression
avoir un compte google pour utilisation de google colab

L’inscription à la formation est validée par un questionnaire de positionnement.

Programme et déroulé

Classe virtuelle 1

Présentation de la formation, tour de table et introduction à la datascience

Méthodes de régression (pénalisée, PLS,GAM, sélection)

+ Travail individuel « Méthodes de régression » à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)

Classe virtuelle 2

Retour sur le travail individuel « Méthodes de régression »

Arbres et random forest

+ Travail individuel « Arbres et random forest » à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)

Classe virtuelle 3

Retour sur le travail individuel « Arbres et random forest »

Méthodes d’évaluation (qualité de prédiction)

+ Travail individuel « Méthodes d’évaluation » à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)

(merci de veiller à profiter de la longue pause avant la reprise à 14h pour réaliser ce travail individuel

Classe virtuelle 4

Data mining

Introduction Google Colab et Python – partie 1

+ Travail individuel « Google Colab et Python » à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)

Classe virtuelle 5

Retour sur les travaux individuels « Méthodes d’évaluation » et « google colab et python »

Introduction Google Colab et Python – partie 2

Réseau de neurones et extension multicouche

+ Travail individuel « Réseau de neurones et extension multicouche » à réaliser en

asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h30)

Classe virtuelle 6

Retour sur le travail individuel « Réseau de neurones et extension multicouche »

Réseau de neurones et convolutions

Conclusion et clôture de la formation

Moyens pédagogiques

Exposés, échanges et quizz
Travaux pratiques personnels

Moyens d’évaluation

Questionnaire de positionnement
Évaluation des compétences acquises lors de la formation par des quizz et des exercices pratiques individuels
Évaluation de la formation par un questionnaire de satisfaction

Ressources pédagogiques

PDF de la formation fourni en début de session
Ouvrage collectif « Data science pour l’agriculture et l’environnement – Méthodes et applications avec R et Python » Editions Ellipses

Moyens de suivi et formalisation à l’issue de la formation

Émargement par ½ journée
Certificat de réalisation transmis par courriel à l’issue de la formation

Équipements nécessaires

Ordinateur portable avec accès internet.

Tarif réduit

950 € HT pour les partenaires RMT Science des données et Modélisation pour l’agriculture et l’agroalimentaire (www.modelia.org) ou pour les doctorants financés ou labellisés par l’institut de convergence DigitAg – Agriculture Numérique (www.hdigitag.fr).

Conditions générales de vente Formations inter-entreprises

Règlement intérieur