Christophe Botella nous a preparé un atelier pratique présentant le deep learning et comment le mettre en application avec le package {R-Mxnet}.
Le code de l’atelier
Et la présentation
Au cours d’une séance découverte un peu spécial, donnée lors de l’assemblée générale du département de mathématique et informatique de l’INRA, Mahendra nous a fait découvrir les potentialités de {plotly,ggplotly,crosscall}
Matthieu et Éric nous propose une séance sur {rSTAN}, l’interface R à la bibliothèque C++ Stan. Il s’agit d’algorithme inférence b yésienne utilisant une variante du Monte-Carlo Hamiltonien. On peut aussi faire de l’inférence fréquentiste par optimisation.
Dans la continuité de ce qui a été fait à Beg-meil](https://stateofther.github.io/finistR2018/atelier3_package_creation.html), je vous propose un tour d’horizon des bonnes pratiques et de l’ensemble des outils disponibles pour réaliser le développement d’un package R.
R package {bigstatsr} provides a special class of matrix whose data is stored on the disk instead of the RAM, but you can still access the data almost as if it were in memory.
Marco et Vincent vous proposent de prendre un peu de temps pour apprendre à se servir du package exams (disponible sur le CRAN) pour générer automatiquement des examens (QCM ou autres), corriger automatiquement ces examens, gérer un ensemble d’exercices collectivement, mettre en place une plateforme de e-learning.
Antoine, notre fanatique du tidyverse, nous propose de jeter un coup d’oeil à broom et rsample, des packages de tidymodels, pour travailler proprement (aka en format tibble) avec les sorties S3 des méthodes statistiques comme lm ou kmeans et faciliter l’utilisation des méthodes de rééchantillonage.
Un duo de choc, Raphaëlle et Marie, pour une séance dense sur laquelle était posée l’ombre du data imaginist – et vive Harry Potter.
L’intégrale des slides