Lyon (69) - La modélisation en santé végétale : des grands principes aux outils...
09/11/23
Lire la suite
Data Science pour l'agriculture (session de novembre 2022)
Informations pratiques
Date : 28/11/2022 > 07/12/2022
Lieu : À distance
Durée : 6 demi-journées (25h)
Tarif : 1 200 € HT (voir Tarif réduit en bas de page)
Intervenant(s) : François Brun, ingénieur, animateur du RMT Modelia, intervenant sur les méthodes d’évaluation (Acta); David Makowski, directeur de recherche, animateur du RMT Modelia, intervenant sur l’introduction et les méthodes de régression (INRAE); Aurore Philibert, ingénieur, intervenant sur les arbres et forêts aléatoires; Florent Duyme, ingénieur, intervenant sur les méthodes de régression (ARVALIS); Mohammed El Jabri, ingénieur, intervenant sur les réseaux de neurones (Idele); Kevin Fauvel, intervenant sur le data mining; Alexandre Termier, professeur, intervenant sur le data mining (IRISA (université de Rennes-INRIA))
Délais d'accès : vous pouvez vous inscrire
jusqu’à 3 semaines avant la formation.
Au-delà, merci de nous contacter
jusqu’à 3 semaines avant la formation.
Au-delà, merci de nous contacter
Accessibilité : afin que cette formation soit accessible à tous, nous invitons les personnes qui ont besoin d’aménagements à nous le signaler en contactant directement notre référent Handicap : nous contacter
À la demande : pour une formation adaptée à votre structure : nous contacter
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
28 novembre (9h-12h10)
- 9h-10h : Présentation de la formation, tour de table et introduction à la datascience
- 10h10-12h10 : 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)
29 novembre (9h-12h10)
- 9h-10h : Retour sur le travail individuel « Méthodes de régression »
- 10h10-12h10 : 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)
30 novembre (9h-12h10)
- 9h-10h : Retour sur le travail individuel « Arbres et random forest »
- 10h10-11h40 : Méthodes d’évaluation (qualité de prédiction)
- 11h40-12h10 : Introduction Google Colab et Python – partie 1
+ Travail individuel « Méthodes d’évaluation » à réaliser en asynchrone et à rendre avant le 4 décembre aux formateurs (durée estimée 1h)
+ Travail individuel « Google Colab et Python » à réaliser en asynchrone et à rendre avant le 4 décembre aux formateurs (durée estimée 1h)
5 décembre (9h-12h10)
- 9h-9h30 : Retour sur les travaux individuels « Méthodes d’évaluation » et « google colab et python »
- 9h30-10h30 : Introduction Google Colab et Python – partie 2
- 10h40-12h10 : 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 1h)
6 décembre (9h-12h10)
- 9h-10h : Retour sur le travail individuel « Réseau de neurones et extension multicouche »
- 10h10-12h10 : Réseau de neurones et convolutions
+ Travail individuel « Réseau de neurones et convolutions » à réaliser en asynchrone et à rendre avant le soir aux formateurs (durée estimée 1h)
7 décembre (9h-12h10)
- 9h-10h : Retour sur le travail individuel « Réseau de neurones et convolutions »
- 10h10-11h40 : Data mining
- 11h40-12h10 : 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
900 € 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).