Methodes PLS

Data Value

Non finançable CPF

Tout public

Présentiel

Public admis

Salarié en poste

Demandeur d'emploi

Entreprise

Étudiant

Prix

1560 €

Durée

Nous contacter

Localité

En présentiel

Découvrez les localités disponibles pour suivre cette formation en présentiel.

Objectifs

Extraire l'information utile et pertinente d'un ensemble de données pour lesquels les méthodes classiques sont inopérantes du fait d'un déséquilibre du fichier (plus de colonnes que de lignes, nombre important de données manquantes, redondance significative entre les variables exogènes).

Le but est l'exploration (évaluation de la structure de corrélation, présence de groupes, d'individus atypiques,…) et la modélisation (pouvoir prédire et anticiper le comportement d'un processus industriel ou transactionnel).

Compétences visées

- Disposer d'une présentation de la méthode NIPALS et de ses particularités afin d'explorer, modéliser et prédire

- Connaître les différents étapes de la méthode l'Analyse en Composantes Principales avec la mise en œuvre de l'algorithme NIPALS

- Découvrir les principes de la méthode de régression PLS avec l'algorithme NIPALS et ses avantages par rapports aux méthodes de régression classiques

- Mettre en œuvre une méthode de régression avec 1 variable dépendante (PLS1) et avec 2 variables dépendantes (PLS2)

- Savoir utiliser l'analyse discriminante basée sur la régression PLS (PLSDA)

- Examiner différents cas d'applications des méthodes PLS

Programme

Principaux thèmes abordés

- Méthode NIPALS (Non Iterative Partial Least Square)

- L'analyse en Composantes principales (A.C.P.)

- La régression PLS

- L'analyse Discriminante

- Applications

Ces formations peuvent vous intéresser