Analyse statistique des donnees manquantes
Data Value
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
780 €
Durée
Nous contacter
Niveau visé
Non diplômante
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
Objectifs
Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en oeuvre des applications pratiques dans R.
Compétences visées
- Appréhender la problématique des données manquantes en balayant les impacts sur les analyses
- Distinguer les différents types de données manquantes
- Savoir mener un état des lieux des données manquantes
- Connaître les différentes stratégies à mettre à oeuvre pour traiter le problème
- Examiner différentes méthodes telles l'exclusion, l'imputation simple ou multiple
Apprendre à identifier les différents types de données manquantes, connaître les méthodes de traitement disponibles, mettre en oeuvre des applications pratiques dans R.
Compétences visées
- Appréhender la problématique des données manquantes en balayant les impacts sur les analyses
- Distinguer les différents types de données manquantes
- Savoir mener un état des lieux des données manquantes
- Connaître les différentes stratégies à mettre à oeuvre pour traiter le problème
- Examiner différentes méthodes telles l'exclusion, l'imputation simple ou multiple
Programme
- Problématique générale
Origine des données manquantes
Impact sur les analyses
- Les grands types de données manquantes
MCAR (Missing Completely At Random)
MAR (Missing At Random)
MNAR (Missing Not At Random)
- État des lieux des données manquantes
Détecter, synthétiser, lister les individus ou variables avec données manquantes
Pattern de données manquantes
- Panorama des différentes stratégies de traitement des données manquantes
- L'exclusion
- L'imputation simple
Par la moyenne
A l'aide d'un modèle
Par les k plus proches voisins
- L'imputation multiple
- Bilan
Origine des données manquantes
Impact sur les analyses
- Les grands types de données manquantes
MCAR (Missing Completely At Random)
MAR (Missing At Random)
MNAR (Missing Not At Random)
- État des lieux des données manquantes
Détecter, synthétiser, lister les individus ou variables avec données manquantes
Pattern de données manquantes
- Panorama des différentes stratégies de traitement des données manquantes
- L'exclusion
- L'imputation simple
Par la moyenne
A l'aide d'un modèle
Par les k plus proches voisins
- L'imputation multiple
- Bilan
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
Formation au métier de Data Analyst (Power BI, SQL, certification...
LILLE, GRENOBLE, MARSEILLE ET 11 AUTRE(S) LOCALITÉ(S)
Offre spéciale
Avis du centre
