Contenu des cours 2016



Documents pareils
Contenu des cours 2015

Catalogue de formation bureautique

Gestion des Prospects : Adresses à exporter

GUIDE INSTALLATION IAS

CYBERLEARN COURS MOODLE. SUPPORT DE TRAVAIL Pour professeur-es et assistant-es d'enseignement

Nouveautés apportées à l assessment-tool

Kluwer ERP Dashboard - VERO.

PROPOSITION DE CREATION DE SITE INTERNET

LE TABLEAU DE BORD REMONTEE DES COMPTES. Outils de gestion prévisionnelle, d'analyse financière et du contrôle de gestion. TABLE DES MATIERES

Contenu de version

Logiciel de gestion des inscriptions en CPGE

Formation Altium Designer par Transfer

FICHE DE POSTE Fonction : Chef de Division Contrôle des opérations Financières FONCTION : CHEF DE DIVISION CONTRÔLE DES OPÉRATIONS FINANCIÈRES

Utilisation de RAMSIS dans la conception automobile Lisa Denninger Apports et Limites des Mannequins Virtuels 18 Novembre 2014

SYSTEME DE TELERADIAMETRIE H*(10)

Résumé du module 6 : Coût et structure du capital

Basculer entre un réseau domestique et celui de votre lieu de travail

Manuel d utilisation de Nomad Trading

2502 Biel/Bienne. Certificats ifoa. Excel-User. Septembre 2014

Les stratégies de Backup dans WSS V3

- Le service aux tables. - Le service rapide & commande pour emporter. - Le service à l auto. - La livraison. o Voir le feuillet Livraison.

LOGICIELS ET BASES DE DONNÉES PROTECTION ET VALORISATION

Formation Référencement / SEO e-commerce

Coefficient 4. L ACRC est validé par le contrôle des compétences suivantes :

SAP Financial Innovation Day 18 Mars 2014 Genève Amélioration du Planning financier : un processus simplifié pour une meilleure qualité de données

MISSIONS COMMERCIALES

PURE DIGITAL. Catalogue de formations 100% Digitales. Programme Nous contacter : fred@lamoulie.com

Pour répondre au besoin de sécurité juridique et de prévisibilité, la Loi type devrait traiter des questions suivantes:

Directory List & Print (Pro) by Infonautics GmbH, Switzerland

Cible de Sécurité - Blancco DataCleaner+ v4.8

Nous proposons 3 syntaxes au choix :

Charte de la gestion cookies groupe PVCP 25/09/2014

FORMATION SUR «CLOUD COMPUTING : CONCEPTS, TECHNOLOGIES ET APPROCHES DE MIGRATION»

KDJHU HQHUJ\ manuel de l'xwlolvdteur tebis

Chap 10 : L évaluation et la valorisation du potentiel de l équipe commerciale

GUIDE DU CANDIDAT REPRESENTANT EN ASSURANCE DE DOMMAGES DES PARTICULIERS. Préparation aux examens de l AMF. Pour : DESJARDINS ASSURANCES GENERALES

LIVRE BLANC SEM. Google AdWords Le guide ultime du SEM pour votre Boutique en ligne

Changement de régime fiscal des Mutuelles et des IP : remarques d ordre actuariel

Communiqué de lancement : Sage 100 Scanfact Version V15.50

Solutions de pilotage énergétique pour les bâtiments d activité professionnelle

Gestionnaire de Prêts Margill 4.1

INC Retraite 6 mai Actualités des Missions Réseau Déléguées

Marché public de prestations intellectuelles ETUDE PRELIMINAIRE DANS LE CADRE DE LA CONSTRUCTION D UNE DECHETERIE A PLAISANCE DU TOUCH (31)

Charte de l Association Suisse de Portage des Bébés (ASPB)

PREPARATION DE VOTRE PFMP Réalisé et testé par Laurence Martin, enseignante au LP du Toulois et chargée de mission en économie et gestion option vente


La participation au QIS 5 : un must dans la préparation à Solvabilité II!

PROCESSUS DE CERTIFICATION DES MONITEURS JE NAGE INFORMATIONS POUR LES MAITRE ÉVALUATEURS

Fiche de projet pour les institutions publiques

Proposition de Veille Internet Campagnes Electorales 2012

Terrain de jeu Analogie au sport professionnel

Le dispositif de qualification OPQIBI pour les audits énergétiques (réglementaires)

Pour l étude d un logiciel documentaire : o Mener une réflexion technique sur les ressources d un logiciel documentaire : Caractériser le logiciel

(les caractères apparaissent en vidéo inversé : blanc sur fond

Guide pour la rédaction d une Spécification Technique de Besoin (STB)

2. Trouvez la version du firmware que vous souhaitez télécharger dans la rubrique Boot From CD, correspondant à votre modèle de SSD.

«NAVIGUER SUR INTERNET v 2» Support de formation tutoré «Réponses aux remarques les plus souvent posées»

Guide d aide à la rédaction d un essai

Développement d applications mobiles natives avec LongRange de LANSA

Compte rendu Commission Communication du 7 juillet 2010 Brasserie Flo

Partage de documents entre tablettes et transfert de ressources

OFFRE D EMPLOI TEMPORAIRES

Développement Durable et Énergies Renouvelables

[SIMULATEUR DE CREDIT IMMOBILIER]

PHASE 1 : choix et définition du sujet du TM.

ENREGISTEUR NUMERIQUE USB Guide utilisateur

esil PROJET DE MODELISATION ORIENTEE OBJET INFORMATIQUE - 3 ANNEE

CONTEXTE DRSI Paris12 - Site de Créteil

Chap I : Economie d'entreprises

DOSSIER DE CANDIDATURE. Master Transport, Logistique Et Commerce International

What are you doing this summer?

Catalogue de formation des meilleures pratiques de la gestion des services informatiques

Sociétés Non Financières - taux endettement - % PIB, valeur nominale

Utiliser les activités de cours de Moodle : le Questionnaire

DOSSIER DE CANDIDATURE. Programme Executive MBA

FIELD MANAGER V3, la solution dédiée aux métiers du multiservice

Dossier de Presse. 1 ier guide Interactif pour créateurs et entrepreneurs

Article I - Objet. Article II - Conditions d'utilisation de la eboutique

Flux électronique de facturation XML

IDENTIFICATION DU POSTE. N de l emploi : Contractuel. Intitulé du poste : Chargé de mission FC

Intégration «SugarCRM Asterisk» Ajouter la Téléphonie à votre CRM

Processus des services

trak monitor Système de gestion de salles de charge HOPPECKE Vos avantages : Domaines d exploitation typiques Motive Power Systems

Service de mobilité interbancaire - Règlement

GUIDE DU PROGRAMME DE VÉRIFICATION DE LA CONFORMITÉ ET DE L UTILISATION DES DONNÉES DU FICHIER CENTRAL DES SINISTRES AUTOMOBILES

NOTICE POUR L IMPORT DU FICHIER «IACA» DANS CORRELYCE

Locallife Leader de l édition d annuaires locaux en ligne, Présent en France depuis octobre 2008

Amandine CUER INDUSTRIELS! GAGNEZ DU TEMPS DANS VOS ECHANGES AVEC VOS INFORMATIQUE - INTERNET - TELECOMMUNICATIONS LA LETTRE D INFORMATION - MAI 2011

ETUDES DES SOLUTIONS DE BI AGILE

CONDITIONS GENERALES DE VENTE

Flux électronique de facturation XML

GUIDE DE L UTILISATEUR

Meilleures pratiques en matière d'indexation de contenu. Mise à niveau à partir de versions antérieures à la version 6.5

FINAL CUT PRO 7 / DIDACTICIEL / OUVERTURE DU PROGRAMME / REGLAGES / IMPORTATION / EXPORTATION / RACCOURCIS

«Enrichir l Organisation par les Hommes» CYCLE «LE MANAGEMENT DE PROJET ; SAVOIRS FAIRE ET SAVOIR ETRE»

CAHIER DES CLAUSES TECHNIQUES PARTICULIERES

Bibliothèque Zotero : Aide à la prise en main. Un outil de gestion de références bibliographiques en ligne

Service de mobilité interbancaire - Règlement

Çi-dessous le livret du module de réservation de sièges. Via Thomascookagent.be (pour les agences)

Transcription:

Olivier Decurt SARL Catalgue frmatin 2016 Olivier Decurt SARL Data Viz Data Science Data Mining SAS Spad SPSS R Cntenu des curs 2016 Nus cntacter par email à : frmatin@d-datamining.cm Visitez ntre site : http://www.d-datamining.cm/ Page 1

Olivier Decurt SARL Catalgue frmatin 2016 Smmaire Tarifs et cnditins... 4 Initiatins : premiers pas en statistique, Data Mining, sur un lgiciel... 6 [STAT101] Initiatin à la statistique... 7 [DM] Qu'est-ce que le Data Mining?... 8 [STAT101R] Statistique descriptive avec R... 9 [STAT101SAS] Statistique descriptive avec SAS... 10 [STAT101SEG] Statistique descriptive avec Enterprise Guide... 11 [IML] Initiatin au langage SAS/IML... 12 [R] Initiatin à R... 13 Frmatins au DataViz : présentatin graphique des dnnées... 14 [VISUAL] Présenter clairement des dnnées, cnstruire des graphiques intelligents 15 [GRAPH101] Graphiques avec SAS/GRAPH... 16 [CARTO] Cartgraphie avec SAS/GRAPH... 17 [GRAPH201] Prcédure SGPLOT... 18 [GRAPH202] Mdèles graphiques et GTL... 19 Frmatins statistiques : Data Science, Data Mining... 20 [ANADON] Analyse des dnnées... 21 [ARBRES] Les arbres de décisin... 22 [GENMOD] Mdèle linéaire généralisé... 23 [MIXED] Analyse de la variance et mdèles mixtes... 24 [NEWSTAT9] Nuveautés de SAS/STAT en versin 9... 25 [REG] Techniques de régressin... 26 [REGQUALI] Régressin sur variables qualitatives... 27 [REGQUANTI] Régressin sur variables quantitatives... 28 [REPETE] Mdélisatin de dnnées répétées... 29 [SCORING] Panrama et cmparaisn des méthdes de scring... 30 [SEM] SAS Enterprise Miner... 31 [SURVIE] Analyse de survie et écnmétrie des durées... 32 Page 2

Olivier Decurt SARL Catalgue frmatin 2016 Frmatins au traitement des séries chrnlgiques... 33 [AEDT] Analyse explratire de dnnées temprelles... 34 [ARIMA] La prévisin par mdèle ARIMA... 35 [REGST] Prévisin de séries temprelles et régressin... 36 [CVS101] Intrductin à la crrectin des variatins saisnnières... 37 [CVS102] La désaisnnalisatin (crrectin des variatins saisnnières)... 38 Frmatins métier : bistatistique, marketing, actuariat, risque... 39 [BAYES] Intrductin à la statistique bayésienne... 40 [BIOSTAT] Mdélisatin bistatistique... 41 [GLMTARIF] Mdélisatin pur la tarificatin en assurance... 42 [POWER] Calcul de puissance et de nmbre de sujets nécessaires... 43 [RISQUE] Mdélisatin de risque crédit... 44 [SCOCHURN] Scring pur la rétentin client... 45 [SCOMKT] Scring pur le ciblage marketing... 46 [SCORISK] Scring pur l ctri de crédit... 47 [TYPOMKT] Typlgie pur la segmentatin client... 48 [UPLIFT] Mdélisatin uplift... 49 Page 3

Olivier Decurt SARL Catalgue frmatin 2016 Tarifs et cnditins Grupes de 1 à 8 persnnes Nus prpsns un tarif unique en intra-entreprise, quel que sit le niveau du curs : 1 250 HT par jur de frmatin. Ce tarif est applicable à tut grupe de huit persnnes maximum. Il inclut la réalisatin et la distributin de supprts de curs pur chaque participant. Ntre rganisme de frmatin est déclaré auprès de la préfecture de régin, et facture la TVA (20%). Les curs peuvent se déruler en anglais u en français. Frmatins sur mesure Les cntenus de curs qui snt détaillés dans les pages suivantes ne snt pas limitatifs. Il ne s agit que des cntenus standards. Ceux-ci peuvent être adaptés à vs besins, qu il s agisse de la mdificatin d un cntenu existant u de la créatin d un nuveau curs. Ces mdificatins n entraînent aucune mdificatin des tarifs ci-dessus. Les lgiciels sur lesquels la frmatin peut s appliquer snt indiqués à chaque curs. Si vus avez une demande sur un autre util, n hésitez pas à en faire la demande. Curs en prvince Les frais de déplacement et d hébergement sur place du frmateur sernt facturés en sus sur présentatin de justificatifs. Supprts Les supprts snt furnis à chaque participant sur des clés USB. Ces supprts snt en français (u, sur demande, en anglais) et mêlent thérie et applicatins. Page 4

Olivier Decurt SARL Catalgue frmatin 2016 Page 5

Olivier Decurt SARL Catalgue frmatin 2016 Initiatins : premiers pas en statistique, Data Mining, sur un lgiciel Page 6

Olivier Decurt SARL Catalgue frmatin 2016 [STAT101] Initiatin à la statistique Ce stage est destiné aux persnnes désireuses de décuvrir les principes et les applicatins de la statistique. Il cuvre principalement la statistique descriptive à une u deux variables (graphiques et tableaux) et se termine sur un élargissement aux techniques plus avancées (tests, prévisins). Ce curs est prévu sus frme appliquée ; seules les frmules indispensables sernt présentées. Durée : 2 jurs Lgiciels pssibles : Excel, SAS, Spad, SPSS, R manipulatins de base du lgiciel d applicatin 1. Vcabulaire et utils Distinguer qualitatif et quantitatif Mdalité, cardinalité Ppulatin, champ d une étude, individu 2. Résumer (une infrmatin) Ntin de distributin Indicateurs numériques : myenne, médiane, quantiles Dispersin : variance, écart-type, cefficient de variatin Tableaux de fréquence Graphiques : bâtns, bxplts, histgrammes, curbes de densité 3. Cmparer (deux infrmatins u plus) Graphiques : nuages de pints, curbes Drite de tendance, lissage Graphiques : bâtns, radars Tableaux crisés Crrélatins Indices 4. Extrapler Sndages, échantillns, pndératins, redressement Tests statistiques : principe Test du khi-2, test de Student Mdélisatin (régressins) Traitement de séries chrnlgiques : désaisnnalisatin, tendance Page 7

Olivier Decurt SARL Catalgue frmatin 2016 [DM] Qu'est-ce que le Data Mining? Une frmatin destinée aux chargés de prjets et aux décideurs qui veulent savir ce que recuvre exactement le mt de Data Mining. Quels snt les cncepts, les démarches, les utils méthdlgiques, les lgiciels du marché avec leurs frces et leurs faiblesses? Durée : 1 jur Lgiciels pssibles : présentatin de quelques utils payants et gratuits aucun 1. Définitin du Data Mining Un peu d'histire Les dmaines "histriques" d'applicatin De nuveaux dmaines d'expressin 2. Les techniques du Data Mining La méthdlgie Les arbres de décisin Les régressins lgistiques Les réseaux de neurnes Les raisnnements à base de cas (MBR) Les machines à vecteurs-supprts (SVM) Qu'est-ce qu'un scre? 3. L'ffre lgicielle Les pré-requis Les critères imprtants Quelques utils cmparés Page 8

Olivier Decurt SARL Catalgue frmatin 2016 [STAT101R] Statistique descriptive avec R Ce stage est destiné aux persnnes désireuses de (re)décuvrir les principes de la statistique explratire. La mise en œuvre de ces techniques se fait autur de fnctins R basiques, et éventuellement via l interface gratuite Rcmmander. Durée : 2 jurs Lgiciels pssibles : R aucun 1. Décrire les dnnées par des graphiques Graphiques univariés (bâtns et diagrammes circulaires) Graphiques bivariés (nuages de pints et bîtes à mustaches) Graphiques de répartitin d une variable (histgramme, curbe de densité) 2. Indicateurs statistiques usuels Rappels sur les définitins des myennes, médianes, variances, etc. Calcul de statistiques descriptives 3. Recherche de liaisns entre variables Tableaux de fréquences, chi-2 Crrélatins (Pearsn vs Spearman) 4. Tests statistiques Principe d un test statistique Test d adéquatin à une li Test du chi-2 et quantités dérivées Test de cmparaisn de myennes 5. Intrductin à la mdélisatin Principe d un mdèle statistique Régressin linéaire Page 9

Olivier Decurt SARL Catalgue frmatin 2016 [STAT101SAS] Statistique descriptive avec SAS Ce stage est destiné aux persnnes désireuses de (re)décuvrir les principes de la statistique explratire. La mise en œuvre de ces techniques se fait autur des prcédures de SAS/BASE et SAS/STAT. Ce curs est une bnne préparatin aux frmatins de mdélisatin (REGQUANTI, REGQUALI, GENMOD) ainsi qu à l analyse de la variance (ANOVA, MIXED, REPETE). Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) SAS BASE (frmatin Educasft) 1. Décrire les dnnées par des graphiques Graphiques univariés (bâtns) avec la prcédure SGPLOT Graphiques bivariés (nuages de pints et bîtes à mustaches) avec la prcédure SGPLOT Graphiques de répartitin d une variable avec les prcédures UNIVARIATE et KDE 2. Indicateurs statistiques usuels Rappels sur les définitins des myennes, médianes, variances, etc. Calcul de statistiques descriptives avec la prcédure MEANS Calcul de statistiques plus pussées avec la prcédure UNIVARIATE 3. Recherche de liaisns entre variables Tableaux de fréquences, chi-2 avec la prcédure FREQ Crrélatins avec la prcédure CORR Nn-linéarité des liaisns et transfrmatin quanti/quali :l utilité d un frmat 4. Tests statistiques Principe d un test statistique Test d adéquatin à une li avec la prcédure UNIVARIATE Test du chi-2 et quantités dérivées avec la prcédure FREQ Test de cmparaisn de myennes avec la prcédure TTEST 5. Intrductin à la mdélisatin Principe d un mdèle statistique Régressin linéaire avec la prcédure GLM : premiers résultats Vérificatin des hypthèses du mdèle : de l imprtance d une bnne analyse explratire Tableau synthétique des mdèles dispnibles dans le mdule SAS/STAT Page 10

Olivier Decurt SARL Catalgue frmatin 2016 [STAT101SEG] Statistique descriptive avec Enterprise Guide Ce stage est destiné aux persnnes désireuses de (re)décuvrir les principes de la statistique explratire. La mise en œuvre de ces techniques se fait autur des interfaces presse-butn de SAS Enterprise Guide. Le cde SAS sus-jacent sera brièvement décrit. Durée : 2 jurs Lgiciels pssibles : SAS Enterprise Guide (pressebutn) SAS SEG (frmatin Educasft) 1. Décrire les dnnées par des graphiques Graphiques univariés (bâtns et diagrammes circulaires) Graphiques bivariés (nuages de pints et bîtes à mustaches) Graphiques de répartitin d une variable 2. Indicateurs statistiques usuels Rappels sur les définitins des myennes, médianes, variances, etc. Calcul de statistiques descriptives Calcul de statistiques plus pussées 3. Recherche de liaisns entre variables Tableaux de fréquences, chi-2 Crrélatins (Pearsn vs Spearman) 4. Tests statistiques Principe d un test statistique Test d adéquatin à une li Test du chi-2 et quantités dérivées Test de cmparaisn de myennes 5. Intrductin à la mdélisatin Principe d un mdèle statistique Régressin linéaire Tableau synthétique des mdèles dispnibles dans SAS Enterprise Guide Page 11

Olivier Decurt SARL Catalgue frmatin 2016 [IML] Initiatin au langage SAS/IML Le mdule SAS/IML dnne accès à un langage spécifique pur la manipulatin de matrices et les pératins qui leurs snt assciées (diagnalisatin, inversin, réslutin de systèmes linéaires, etc.). A partir de SAS 9.3, ce mdule permet également des échanges avec le lgiciel R. Durée : 1 jur Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) SAS BASE (frmatin Educasft) 1. Présentatin de SAS/IML Des matrices, des rappels d algèbre Afficher une matrice 2. Charger une table SAS en matrice Utilisatin d une table SAS, chargement de la table Récupérer les nms des variables 3. Opératins sur les matrices Opératins matricielles et sur les éléments de la matrice Sus-ensemble d une matrice Maximum, minimum 4. Fnctins et rutines La fnctin LOC Fnctins matricielles, fnctins mathématiques Fnctins de dénmbrement, fnctins statistiques Cnditins et bucles 5. Affichages Instructin MATTRIB Tris, calculs de statistisques 6. Exprter une matrice en table SAS 7. IML et autmatisatin Utilisatin et créatin de macr-variables Mdules Appel de cde SAS et de cde R Page 12

Olivier Decurt SARL Catalgue frmatin 2016 [R] Initiatin à R Le lgiciel R est principalement cnçu pur des utilisatins statistiques. Il recèle cependant de très nmbreuses fnctinnalités de gestin de fichiers. Cette frmatin peut être cuplée avec STAT101R, pur prlnger l apprentissage avec la prductin de statistiques descriptives sus R. Durée : 1 jur Lgiciels pssibles : R aucun 1. Présentatin de R Télécharger le lgiciel Packages Envirnnement de base R Studi R Cmmander 2. Principes du langage R Fnctins : principes, utilisatin, persnnalisatin Types de dnnées Structures de dnnées 3. Récupératin de dnnées Imprt d un fichier texte Imprt d une table SAS Imprt d un fichier Excel 4. Vérificatin du cntenu d une table Statistiques descriptives Tableaux de fréquence Graphiques en bâtns Histgrammes et bxplts 5. Manipulatin de dnnées Créatin de variables, fnctins Empilement de tables Fusins de tables Transpsitins et rérganisatins des dnnées 6. Sauvegardes Sauvegarde de dnnées Exprt de dnnées Page 13

Olivier Decurt SARL Catalgue frmatin 2016 Frmatins au DataViz : présentatin graphique des dnnées Page 14

Olivier Decurt SARL Catalgue frmatin 2016 [VISUAL] Présenter clairement des dnnées, cnstruire des graphiques intelligents Ce stage est destiné à tus ceux qui nt besin de résumer des jeux de dnnées par des graphiques, qu il s agisse de présentatins, de tableaux de brd (dashbards) u de recherche explratire. Cette frmatin se cncentre sur les différents types de graphiques et les myens de leur dnner une efficacité maximale. Elle purra être cuplée avec une frmatin aux graphiques SAS. Cette frmatin peut être cuplée avec STAT101 pur décuvrir les indicateurs statistiques usuels et faire le lien avec leur diffusin efficace. Durée : 1 u 2 jurs seln les attentes et le niveau du public aucun Lgiciels pssibles : Excel, SAS, R 1. Principes de base pur une présentatin efficace Principes du gestaltisme Attributs pré-attentifs 2. Présentatin des tableaux Styles des cellules (nmbres, purcentages, etc.) Brdures, fnds de culeur : cmment rienter la lecture d un tableau Surces et titres 3. Différents types de graphiques pur représenter une variable qualitative une variable quantitative une série chrnlgique (évlutin, tendance, lissage) plusieurs variables simultanément 4. Efficacité d un graphique Axes, légendes Chix des culeurs Treillis et graphiques multiples Page 15

Olivier Decurt SARL Catalgue frmatin 2016 [GRAPH101] Graphiques avec SAS/GRAPH Ce stage est destiné aux chargés d études ayant à dévelpper u suivre des prgrammes écrits dans le langage SAS/GRAPH «histrique». Cette frmatin permet de se familiariser avec les GOPTIONS, les prcédures GPLOT et GCHART, ainsi que les tables Anntate. Durée : 2 u 3 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS SAS Base (frmatin Educasft) 1. Intrductin à SAS/GRAPH Bien préparer ses dnnées Ntin de catalgue et d entrée graphique Piltes graphiques Les ptins graphiques 2. Les curbes : GPLOT Nuage de pints Tracer une curbe : chix de l interplatin Tracer plusieurs curbes Aire sus la curbe Afficher les dates dans les curbes Définir les axes et les légendes 3. Les histgrammes : GCHART Différents types d histgrammes Impact des frmats Gérer les remplissages et les légendes 4. Sauvegarder ses graphiques Où sauvegarder ses graphiques? Cmment rejuer un u plusieurs graphiques (GREPLAY) Mettre plusieurs graphiques par page 5. Initiatin aux tables ANNOTATE Les différentes fnctins Cmprendre les variables XSYS et YSYS Ajuter du texte et des traits à un graphique Page 16

Olivier Decurt SARL Catalgue frmatin 2016 [CARTO] Cartgraphie avec SAS/GRAPH Ce stage est destiné aux chargés d études (gémarketing, épidémilgie, scilgie, ) ayant à prduire des cartes avec SAS. Cette frmatin permet de se familiariser avec la prcédure GMAP et les utilitaires GMAPIMPORT, GREMOVE et GREDUCE. Durée : 1 jurnée Lgiciels pssibles : SAS GRAPH101 1. Fnds de carte Fnds de carte furnis par SAS (biblithèque MAPS et MAPSSAS) Fnds de carte GFK (biblithèque MAPSGFK, SAS 9.4) Imprt de fnds de cartes externes 2. Manipulatins sur les fnds de carte Fusin des éléments de la carte : prc GREMOVE Simplificatin un fnd de carte : prc GREDUCE 3. Cartgraphie Rappels sur les ptins graphiques Carte «chrplèthe» (clriage des znes) Définitin de tranches Gestin de la légende Ajuts d éléments de texte, de frntières, etc. Page 17

Olivier Decurt SARL Catalgue frmatin 2016 [GRAPH201] Prcédure SGPLOT Ce stage est destiné aux chargés d études suhaitant décuvrir la nuvelle prcédure SAS prduisant des graphiques à partir de la versin 9.2 : SGPLOT. Cette frmatin présente également sn cmplément, la prcédure SGPANEL, et peut se pursuivre par une frmatin aux mdèles écrits en GTL. Durée : 1 u 2 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS 9.2 et + SAS Base (frmatin Educasft) 1. ODS Graphics : un principe de fnctinnement et une instructinclé Filière graphique histrique vs filière «ODS Graphics» Java Instructin ODS Graphics Instructins ODS : chisir l emplacement de l image prduite 2. Graphiques sur dnnées qualitatives Diagrammes en bâtns «Dt plts» Barres et curbes 3. Graphiques sur dnnées quantitatives Histgrammes, curbes de densité Bxplts Nuages de pints, curbes, lissages Drites de régressin, intervalles de cnfiance Znes clrées 4. Titres, légendes, axes et textes Gérer des légendes Insérer du texte fixe u dynamique Définir des axes Utiliser des caractères spéciaux 5. Plusieurs graphiques avec la prcédure SGPANEL Gérer les variables catégrielles SGPANEL et blc BY : différences et cmplémentarité 6. Intrductin aux tables ANNOTATE (SAS 9.3 et 9.4) Page 18

Olivier Decurt SARL Catalgue frmatin 2016 [GRAPH202] Mdèles graphiques et GTL Ce stage est destiné aux chargés d études qui vudraient prduire des mdèles réutilisables de graphiques ; pur cela, à partir de SAS 9.1, le GTL u Graph Template Language, qui sus-tend le système ODS Graphics, permet de prduire de belles srties standardisées. Cette frmatin indiquera seln les versins de SAS quelles syntaxes et quelles pssibilités ffre le GTL, un langage qui s enrichit très rapidement au fil des versins. Durée : 1 u 2 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS 9.2 et + SAS Base (frmatin Educasft) 1. Mdèles de graphiques : le principe du GTL Prcédures statistiques, mdèles graphiques ODS PATH : ù se truvent les mdèles? Créer un mdèle à partir de la prcédure SGPLOT Utiliser un mdèle avec la prcédure SGRENDER 2. Paramétrer un mdèle Paramètres dynamiques Macr-variables cntenant du texte Macr-variables cntenant des nmbres 3. Principaux éléments d un mdèle Canevas («lattice») Elément graphique Axes 4. Principaux éléments graphiques Barres, bxplts, dt plts Nuages de pints, curbes, lissages, régressins Znes clrées, quadrillage («blckplt») Légendes, titres Caractères spéciaux, mise en frme des éléments 5. Canevas dynamique Le cuple LAYOUT DATALATTICE / LAYOUT PROTOTYPE Canevas dynamique vs macr-prgramme Page 19

Olivier Decurt SARL Catalgue frmatin 2016 Frmatins statistiques : Data Science, Data Mining Page 20

Olivier Decurt SARL Catalgue frmatin 2016 [ANADON] Analyse des dnnées Ce stage est destiné aux chargés d'études qui désirent vir u revir les principes de l'analyse de dnnées à la française (ACM, AFC, ACP) et surtut leur utilisatin à travers SAS, R (package FactMineR) u Spad versins 6 à 8. On y abrde également la classificatin. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R u SPAD STAT101 1. L'analyse en cmpsantes principales (ACP) Chix du nmbre d'axes factriels Nuages des individus et des variables Cercle des crrélatins Rtatin VARIMAX et ACP 2. L'analyse des crrespndances multiples (ACM) Chix du nmbre d'axes factriels Nuages des individus et des variables Individus et variables supplémentaires 3. Typlgies Classificatin ascendante hiérarchique Nuées dynamiques Méthde mixte de Wng Descriptin des classes Mdéliser l appartenance aux classes pur réaffecter Page 21

Olivier Decurt SARL Catalgue frmatin 2016 [ARBRES] Les arbres de décisin Présentatin des grands principes et mise en œuvre des arbres de décisin avec différents lgiciels. Les arbres de décisin snt à la fis un util décisinnel, avec une ptique de mdélisatin, et un util explratire, pur la préparatin et la décuverte des dnnées. Durée : 1 jur Lgiciels pssibles : R, SAS Enterprise Miner, Spad, SPSS, SAS 9.4 DM 1. Généralités Vcabulaire Méthdlgie de cnstructin Offre lgicielle Utilisatins d un arbre 2. Dévelppement d un arbre Chix de la cupure Impact du critère d évaluatin de la cupure Critères d arrêt 3. Elagage et validatin Cas de l algrithme CHAID Elagage Evaluatin des sus-arbres 4. Améliratin d un arbre de décisin Evlutins méthdlgiques Bagging Frêts aléatires Bsting 5. Frces et faiblesses Page 22

Olivier Decurt SARL Catalgue frmatin 2016 [GENMOD] Mdèle linéaire généralisé Les mdèles présentés ici fnt de la régressin linéaire et de la régressin lgistique des cas particuliers. Les Mdèles Linéaires Généralisés (MLG) se prpsent d'étudier les variables dnt la nrmalité est prise en défaut (cûts, fréquences d'évènements,...) et prpsent des utils puissants. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101 1. Principes de la régressin Vcabulaire et cncepts La régressin linéaire La régressin lgistique Leurs pints cmmuns 2. Mdèle linéaire généralisé Li de Y Fnctin de lien Qualité du mdèle Analyse de la déviance Analyse des résidus et autres vérificatins Syntaxe de la prcédure GENMOD de SAS 3. Exemples de mdèles linéaires généralisés Régressin de Pissn Régressin binmiale négative Régressin Gamma 4. Dnnées répétées et crrélées GLMM : des mdèles très flexibles Chix d une structure de crrélatin Applicatins avec la prcédure GLIMMIX de SAS Page 23

Olivier Decurt SARL Catalgue frmatin 2016 [MIXED] Analyse de la variance et mdèles mixtes L étude des dnnées avec une analyse de la variance se cnduit d rdinaire sur des facteurs cnsidérés cmme fixes : c est à dire qu n se limite dans l analyse et l inférence aux valeurs qui nt été cllectées au curs de la cnstitutin des dnnées. Des facteurs aléatires et un mdèle mixte étendent de manière très imprtante la puissance des mdèles d analyse de variance, et facilitent également le traitement des dnnées à mesures répétées Durée : 2 jurs Lgiciels pssibles : SAS 9.2 et plus, SAS Enterprise Guide (cde) STAT101 1. Analyse de variance, effets fixes et aléatires Buts et hypthèses de l analyse de variance Effet fixe et effet aléatire Thérie et ntatins Panrama de l ffre SAS pur l analyse de variance 2. Analyse de la variance à effets aléatires Syntaxe de la prcédure MIXED Détectin graphique d effets Quantificatin d un effet aléatire, calcul de myennes ajustées Cmparaisn de grupes, ajustements pur les cmparaisns multiples Intégratin de variables fixes quantitatives Interactins : instructins LSMEANS et SLICE 3. Mdèles mixtes généralisés Principe et thérie des mdèles linéaires généralisés Syntaxe de la prcédure GLIMMIX Régressin lgistique à effets aléatires Régressin de Pissn à effets aléatires Régressin Gamma à effets aléatires 4. Analyse de variance sur dnnées répétées Variabilité inter-sujets et intra-sujets Les principales structures de cvariance Cmparaisn et chix de la structure la plus adaptée aux dnnées Page 24

Olivier Decurt SARL Catalgue frmatin 2016 [NEWSTAT9] Nuveautés de SAS/STAT en versin 9 En une jurnée, décuvrez et pratiquez les principales nuveautés du mdule SAS/STAT en versins 9.1, 9.2, 9.3 et 9.4 de SAS. Durée : 1 jur Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101SAS 1. L ODS et les statistiques Fnctinnement général de l ODS L ODS et les tables SAS ODS GRAPHICS Le GTL (Graph Template Language) 2. Nuveautés graphiques Prc BOXPLOT Prc UNIVARIATE Prc SGPLOT, prc SGPANEL, prc SGRENDER 3. Nuveautés pur la préparatin des dnnées Prc KDE Prc STDIZE Prc MI, prc MIANALYZE 4. Nuveautés pur la mdélisatin Instructins transversales : LSMEANS, SLICE, STORE Prc GENMOD, prc GLIMMIX Prc GLMSELECT, prc HPGENSELECT Prc LOGISTIC Prc PLS Prc ROBUSTREG Prc PLM Prc HPSPLIT Page 25

Olivier Decurt SARL Catalgue frmatin 2016 [REG] Techniques de régressin Une frmatin cmplète qui prpse aux chargés d études un maximum de slutins de mdélisatin linéaire pur dnnées de tus types : cntinues, catégrielles, binaires. Durée : 3 jurs Lgiciels pssibles : SAS, SPSS, R STAT101 u STAT101SAS u STAT101SEG 1. Qu est-ce qu un mdèle linéaire? Les régressins usuelles Les hypthèses du mdèle linéaire Principe des tests statistiques 2. Le mdèle linéaire classique Hypthèses et validatin des hypthèses Qu est-ce qu un mdèle réussi? Les cefficients et leurs p-values Les résidus 3. Analyse de la variance, mdèle linéaire général Hypthèses et validatin des hypthèses Intrductin de facteurs qualitatifs Analyse de variance : lien avec le mdèle linéaire général Cmparaisn de myennes Myennes ajustées (LSMEANS) 4. Régressin lgistique Critères de qualité du mdèle (Akaike, Schwarz) Les cefficients et les dds-ratis Ntin de scre, aide à la décisin (seuil ptimal) Curbe ROC 5. Mdèle linéaire généralisé Lis autrisées dans un tel mdèle Fnctin de lien Li des résidus Qualité du mdèle Analyse de la déviance Régressin de Pissn Régressin Gamma Page 26

Olivier Decurt SARL Catalgue frmatin 2016 [REGQUALI] Régressin sur variables qualitatives Destiné aux chargés d'étude s'intéressant à la mdélisatin d'une variable discrète (deux mdalités u davantage), ce stage permet de cnstruire efficacement des mdèles explicatifs et prédictifs (cnstructin de scres). Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, Spad, SPSS STAT101 u STAT101SAS u STAT101SEG 1. Principe de la régressin lgistique Quelle est la frme des dnnées à utiliser? Lien avec la régressin linéaire Les différentes fnctins de lien Mesurer la qualité d'un mdèle lgistique 2. La régressin lgistique à but descriptif L'analyse de la déviance, étude de l'impact d'une cvariable Stratégies de cnstructin de mdèles chérents Les cefficients Les dds-ratis La multiclinéarité 3. La régressin lgistique à but prédictif Qu'est-ce qu'un scre? La curbe ROC et le seuil ptimal La curbe de lift Qualité d'ajustement 4. Etude d'une variable à plusieurs mdalités Régressin sur une variable rdnnée Régressin sur une variable nn rdnnée u lgit généralisé Applicatin à la descriptin d'une typlgie 5. Mdélisatins alternatives d'une variable qualitative Analyse discriminante Réseaux de neurnes Arbres de décisin Page 27

Olivier Decurt SARL Catalgue frmatin 2016 [REGQUANTI] Régressin sur variables quantitatives Ce curs permet d'appréhender les principes de la régressin, et sa mise en euvre. On y apprend le frmalisme statistique asscié, mais surtut la lecture des résultats, la détectin d'erreurs et leur crrectin. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, SPSS STAT101 u STAT101SAS u STAT101SEG 1. Décuverte des dnnées Distributin et nrmalité des variables Relatins entre variables quantitatives Relatins entre variables qualitatives 2. Régressin linéaire simple Le mdèle simple Srties chiffrées Srties graphiques 3. Sélectin d'un mdèle ptimal Méthdes pas à pas Sélectin sur un critère 4. Cmbattre la multiclinéarité Détecter la multiclinéarité Régressin sur cmpsantes factrielles Régressin PLS Régressins cntraintes : ridge et LASSO 5. Gestin des variables qualitatives Le mdèle linéaire général, ANOVA, ANCOVA Chix de la mdalité de référence Page 28

Olivier Decurt SARL Catalgue frmatin 2016 [REPETE] Mdélisatin de dnnées répétées Ce stage est destiné aux chargés d études (bistatistique mais aussi actuariat u marketing) qui nt à analyser des dnnées cmpsées de plusieurs mesures pur un même individu. Il peut s agir de dnnées répétées dans le temps (panels, visites au curs d un essai clinique) u nn (mesures sur les 4 membres, sur les 2 yeux). Cette frmatin utilise les prcédures GENMOD, MIXED et GLIMMIX de SAS, en mntrant cmment les paramétrer et interpréter leurs srties. Durée : 1 u 2 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) REGQUANTI 1. Apprche «mdèle mixte» (GLMM) Effet aléatire, crrélatin, variance/cvariance Structures de crrélatin classiques Structures hétérgènes Structures «spatiales» pur intervalles irréguliers Chix d une structure : critères d Akaike et de Schwarz Influence de la structure sur les résultats de l analyse 2. Apprche «mdèle linéaire à effets fixes»(gee) GEE vs GLMM : ajustement marginal u individuel? Structures dispnibles dans la prcédure GENMOD Chix d une structure : critère QIC Cmparaisn prcédures MIXED / GLIMMIX et GENMOD Page 29

Olivier Decurt SARL Catalgue frmatin 2016 [SCORING] Panrama et cmparaisn des méthdes de scring Cette frmatin s adresse aux chargés d étude désirant avir, en quelques jurs, un aperçu technique et pratique des techniques usuelles de scring. La frmatin s achève avec une cmparaisn des frces et des faiblesses des différentes méthdes. Durée : 3 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), SAS Enterprise Miner, R, Spad, SPSS, SPSS Clementine DM 1. Scring avec les arbres de décisin Principe général d un arbre de décisin Crissance et élagage Les principaux algrithmes : CHAID, CART, C4.5 Arbres, bagging et bsting : cmment rendre un arbre rbuste Avantages et incnvénients 2. Scring avec la régressin lgistique Mdèle linéaire et mdèle lgistique Chix des variables, autmatisatin Cefficients et dds-ratis Curbe ROC, discriminatin Avantages et incnvénients 3. Scring avec l analyse discriminante Apprche gémétrique Fnctin linéaire discriminante Méthde DISQUAL : l analyse discriminante sur dnnées qualitatives Avantages et incnvénients 4. Scring avec les réseaux de neurnes Le neurne artificiel Apprentissage supervisé Lecture et interprétatin des résultats Avantages et incnvénients 5. Autres méthdes de scring Raisnnement basé sur la mémire Machines à vecteurs supprts (méthde Vapnik) Bagging et bsting Cmparaisn générale des méthdes de scring Page 30

Olivier Decurt SARL Catalgue frmatin 2016 [SEM] SAS Enterprise Miner Prise en main de la slutin DataMining de SAS : méthdlgie, principales fnctinnalités. Ce curs s'appuie sur des exemples cncrets de créatin de typlgies et de mise au pint d'un mteur de scre. Cette frmatin s applique aux versins intégrées à SAS (SEM versin 4) u aux versins «client léger» (SEM versins 5 à 13). Durée : 2 jurs Lgiciels pssibles : SAS Enterprise Miner tutes versins DM 1. Le Data Mining, qui, cmment, purqui? Qui? Cmment? Purqui? 2. Premier cntact avec SAS Enterprise Miner Démarrage de SEM Ntins de prjet et de diagramme Les prjets 3. Appréhensin et mise en cnfrmité des dnnées Insérer des dnnées dans le diagramme Echantillnnages Galerie de graphiques Chix des variables retenues pur l étude Gestin des valeurs manquantes Filtres sur les individus 4. Mdélisatin et scre Les mdèles dispnibles : panrama La régressin Les arbres de décisin Les réseaux de neurnes Mise en cncurrence et cmparaisn de mdèles Le nœud SCORE : prduire une étape Data 5. Segmentatin Un «nuveau» diagramme Les K-myennes Interprétatin des classes Cnclusin sur la cnstructin d une typlgie Page 31

Olivier Decurt SARL Catalgue frmatin 2016 [SURVIE] Analyse de survie et écnmétrie des durées Ce stage est destiné aux persnnes ayant à étudier la durée éculée avant la survenance d un évènement. Il s agit par exemple d un cntexte médical (durée de rémissin dans une maladie chrnique) u écnmique (durée de recherche d empli) Cette frmatin prpse à la fis une présentatin thérique (avec un frmalisme mathématique aussi léger que pssible) et appliquée. Durée : 1 u 2 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) REGQUANTI 1. Dnnées censurées, cmment les décrire Ntin de censure Mdèles pur dnnées censurées Fnctin de survie Quartiles Intervalles de cnfiance Méthde de Nelsn-Aalen Cmparaisn de grupes Autres représentatins graphiques des dnnées 2. Mdèle de Cx Hasard instantané, hasard cumulé Rati de hasards Mdèle semi-paramétrique Hypthèses à vérifier et cmment n les vérifie Le hazard-rati, une ntin-clé Sélectin de variables Prédictins 3. Mdèle paramétrique «accéléré» Quelle li chisir dans un mdèle paramétrique? Interprétatin des srties de la prcédure LIFEREG pur les mdèles de durée/survie Cmparaisn des srties entre la prc LIFEREG et la prc PHREG Page 32

Olivier Decurt SARL Catalgue frmatin 2016 Frmatins au traitement des séries chrnlgiques Page 33

Olivier Decurt SARL Catalgue frmatin 2016 [AEDT] Analyse explratire de dnnées temprelles Ce stage est destiné aux persnnes désireuses de décuvrir les principes de l analyse des séries temprelles. Il cuvre principalement l analyse descriptive de ces dnnées (graphiques et mise en évidence des cmpsantes) et se termine sur un élargissement aux techniques plus avancées (désaisnnalisatin, lissage, prévisin). Ce curs est prévu sus frme appliquée ; seules les frmules indispensables sernt présentées. Durée : 1 jur Lgiciels pssibles : Excel, SAS, SAS Enterprise Guide (cde), R, WPS, SPSS aucun 1. Les différentes cmpsantes d une série temprelle Dnnées temprelles et dnnées d enquête Tendance, cycle, saisnnalité Effets de calendrier, pints atypiques Les différents prblèmes liés aux séries temprelles : lissage, désaisnnalisatin et prévisin 2. La mise en évidence des cmpsantes Les graphiques de base La tendance : lissage par myenne mbiles et less Ntin de statinnarité Autcrrélatins et spectre d une série temprelle 3. Quelques mts sur les mdèles ARIMA Mdèle Aut-Régressif (AR) et mdèle Myenne Mbile (MA) L exemple célèbre du trafic vyageur : le mdèle Airline 4. Panrama des méthdes d analyse des séries temprelles La désaisnnalisatin La prévisin : Mdèles autprjectifs et mdèles explicatifs Page 34

Olivier Decurt SARL Catalgue frmatin 2016 [ARIMA] La prévisin par mdèle ARIMA Ce stage est destiné aux chargés d étude suhaitant faire des prévisins à l aide des mdèles ARIMA. Outre la méthdlgie de Bx et Jenkins qui permet de truver un mdèle ARIMA adapté aux dnnées, le stage abrde l intrductin de variables explicatives et le traitement des pints aberrants. Il se termine sur des éléments de mdèles multivariés et sur un panrama des méthdes de prévisin. Ce curs cntient beaucup d exemples et se veut très appliqué. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, WPS, SPSS, JDemetra+ AEDT et REGQUANTI u STREG 1. Intrductin aux mdèles ARIMA Des mdèles AR aux mdèles SARIMA : définitins et lgique Ntin de série statinnaire : purqui et cmment? Les utils de base : les fnctins d autcrrélatin directe, inverse, partielle. 2. Identifier et estimer un mdèle : la méthde de Bx et Jenkins Stabilisatin de la myenne et de la variance. Les tests de racine unité et les transfrmatins de Bx-Cx. Dit-n transfrmer la variable? Un test simple. La recherche des valeurs des rdres (p, d, P et Q) du mdèle Juger de la qualité du mdèle : les différents critères (AIC, BIC etc.) ; précisin et parcimnie. 3. Détectin et estimatin des pints atypiques Les différents types de rupture : définitins et mdélisatin. Les mdèles à interventin. La détectin autmatique des ruptures : algrithmes et exemples. 4. Prise en cmpte de variables explicatives Exemple des effets de calendrier. Un algrithme autmatique : la méthde X-12-ARIMA 5. Intrductin aux mdèles multivariés Les mdèles VAR et VARMAX Panrama des autres méthdes de prévisin Page 35

Olivier Decurt SARL Catalgue frmatin 2016 [REGST] Prévisin de séries temprelles et régressin Ce stage est destiné aux chargés d étude suhaitant faire des prévisins à l aide de méthdes de régressin adaptées aux dnnées temprelles. Outre la présentatin des méthdes, une grande attentin est accrdée au difficile prblème du chix des variables explicatives. Le stage se termine sur les méthdes de régressin sur facteurs faisant ainsi le lien avec les méthdes d analyse des dnnées. Ce curs cntient beaucup d exemples. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, WPS, SPSS AEDT et REGQUANTI 1. Les mdèles de régressin avec résidus autcrrélés Régressin sur dnnées d enquête et régressin sur dnnées temprelles Prise en cmpte de l autcrrélatin des résidus. 2. Le difficile chix des variables explicatives Chix d expert et chix statistique : avantages et incnvénients Les différentes méthdes de chix autmatique des variables Quelques exemples simples : méthdes FORWARD, BACKWARD et STEPWISE. 3. L apprt du mdèle linéaire généralisé La gestin des valeurs atypiques Sélectin de variables explicatives : le Ridge et le Lass 4. Régressin sur dnnées temprelles transfrmées Purqui transfrmer une variable temprelle? Les transfrmatins de Bx-Cx 5. Méthdes de régressin à facteurs Régressin sur facteurs déterminés indépendamment de la variable à prévir Régressin sur facteurs déterminés à l aide de la variable à prévir Page 36

Olivier Decurt SARL Catalgue frmatin 2016 [CVS101] Intrductin à la crrectin des variatins saisnnières Ce stage est destiné aux persnnes désireuses de décuvrir les principes et l intérêt de la désaisnnalisatin (u crrectin des variatins saisnnières). Il cuvre principalement les méthdes basées sur les myennes mbiles et se termine sur un panrama des méthdes de désaisnnalisatin. Ce curs est prévu sus frme appliquée ; seules les frmules indispensables sernt présentées. Durée : 1 jur Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, WPS, SPSS, JDemetra+ AEDT 1. Les bjectifs et les principes de la désaisnnalisatin Les cmpsantes d une série temprelle : tendance, cycle, saisnnalité, Effets de calendrier, pints atypiques Purqui désaisnnaliser une série temprelle? Une méthde de désaisnnalisatin naïve : le glissement annuel. 2. Décmpsitin d une série temprelle par myenne mbile Les myennes mbiles : cnstructin et prpriétés Un algrithme simple de désaisnnalisatin La méthde X-12 Prise en cmpte des pints atypiques : la méthde X-12-ARIMA 3. Panrama des méthdes de désaisnnalisatin Méthdes paramétriques et méthdes nn-paramétriques Les méthdes basées sur des mdèles explicites : Tram-Seats (mdèles ARIMA) et les mdèles «espace-état» Un panrama cmplet des méthdes Page 37

Olivier Decurt SARL Catalgue frmatin 2016 [CVS102] La désaisnnalisatin (crrectin des variatins saisnnières) Ce stage est destiné aux persnnes désireuses de désaisnnaliser leurs séries temprelles. Il présente les principales méthdes existantes et insiste sur la détectin et la crrectin des effets de calendrier et des pints atypiques. Ce curs est prévu sus frme appliquée et de nmbreux exemples snt prévus ; seules les frmules indispensables sernt présentées. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), R, WPS, SPSS, JDemetra+ AEDT et ARIMA 1. Les bjectifs et les principes de la désaisnnalisatin Les cmpsantes d une série temprelle : tendance, cycle, saisnnalité, Effets de calendrier, pints atypiques Purqui désaisnnaliser une série temprelle? Détecter une saisnnalité : analyse spectrale et tests statistiques. 2. Détectin et crrectin des effets de calendrier Les effets de jurs uvrables et les effets de fêtes mbiles La prise en cmpte du calendrier natinal 3. Détectin et crrectin des pints atypiques Mdélisatin des différentes ruptures Algrithmes de détectin et mdèle REG-ARIMA. 4. Décmpsitin d une série temprelle par myenne mbile Les myennes mbiles : cnstructin et prpriétés Un algrithme simple de désaisnnalisatin La méthde X-12-ARIMA 5. Les méthdes basées sur des mdèles La méthde Tram-Seats basée sur des mdèles ARIMA Méthdes basées sur les mdèles «espace-état» 6. Juger de la qualité d une désaisnnalisatin Les différents indicateurs de qualité Indicateurs spécifiques à X-12-ARIMA Page 38

Olivier Decurt SARL Catalgue frmatin 2016 Frmatins métier : bistatistique, marketing, actuariat, risque Page 39

Olivier Decurt SARL Catalgue frmatin 2016 [BAYES] Intrductin à la statistique bayésienne Ce stage décrit les principes et les applicatins en épidémilgie des mécanismes de statistique bayésienne et ses différences avec la statistique classique (fréquentiste). Des applicatins sernt présentées en utilisant des lgiciels libres (R et Winbugs). Durée : 1 jur Lgiciels pssibles : R STAT101 1. Intrductin à l apprche bayésienne 2. Lis a priri, vraisemblance, lis a psteriri, frmule de Bayes 3. L analyse bayésienne 4. Initiatin aux méthdes MCMC (chaînes de Markv par Mnte- Carl), échantillnneur de Gibbs 5. Intervalles de crédibilité 6. Mdèles de régressins bayésiens, DIC 7. Ntins de tests bayésiens, facteur de Bayes 8. Cmparaisn des estimateurs bayésiens et fréquentistes Page 40

Olivier Decurt SARL Catalgue frmatin 2016 [BIOSTAT] Mdélisatin bistatistique Ce stage est destiné aux chargés d étude œuvrant dans les essais cliniques, l épidémilgie et la statistique animale. Il permet de faire le pint sur la mdélisatin d impact de facteurs sur une quantité d intérêt à travers l analyse de la variance et les mdèles mixtes. Cette frmatin peut être cmplétée par l étude des dnnées répétées pur l intégratin de plusieurs mesures sur un même individu dans le mdèle. Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101SAS 1. Mdèles pssibles et hypthèses Analyse de variance / ANOVA Analyse de cvariance / mdèle linéaire général Mdèle mixte Mdèle mixte généralisé / GLMM 2. Analyse de la variance à facteurs fixes Nrmalité, une hypthèse indispensable Test de Fisher Tests de type 3 Myennes ajustées (LSMEANS) Cmparaisns multiples et ajustement de la multiplicité 3. Analyse de la cvariance à facteurs fixes Linéarité de la relatin Interactins Myennes ajustées en présence d interactins : instructins LSMEANS et SLICE 4. Mdèles mixtes Effet fixe vs effet aléatire Estimatin de l effet aléatire : part de variance, e-blup Intrductin à l analyse de dnnées répétées Page 41

Olivier Decurt SARL Catalgue frmatin 2016 [GLMTARIF] Mdélisatin pur la tarificatin en assurance Ce stage est destiné aux chargés d étude et actuaires qui nt à mdéliser les sinistralités et cûts myens en assurance nn vie. Des applicatins sur les mdèles cmpsites (IARD) et de prime pure (santé) snt prpsées sus SAS. Cette frmatin traite aussi de la phase explratire et de la mdélisatin de dnnées répétées (GEE vs GLMM). Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101SAS 1. Mdèle Gamma pur le cût myen Phase explratire : adéquatin à la li Phase explratire : lien lg et variables quantitatives Cnstructin et simplificatin du mdèle Cmmentaire du mdèle Cas particulier : mdèle Gamma pur la prime pure 2. Mdèle pissnnien pur la sinistralité Agrégatin des dnnées : cmment et purqui? Phase explratire : lien lg et variables quantitatives Chix de la li : Pissn u binmiale négative? Cnstructin et simplificatin du mdèle Cmmentaire du mdèle Extensin : mdèles ZIP et ZINB 3. Mdélisatin des dnnées répétées Apprche GEE Apprche GLMM Chix de la structure de crrélatin Interprétatin des résultats Page 42

Olivier Decurt SARL Catalgue frmatin 2016 [POWER] Calcul de puissance et de nmbre de sujets nécessaires Ce stage est destiné aux bistatisticiens désireux de calculer la puissance de leurs tests statistiques u vulant quantifier le nmbre sujets à inclure dans un essai clinique pur détecter un effet de manière significative. Durée : 1 jurnée Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101SAS 1. Rôle statistique du nmbre de sujets dans les études cliniques 2. Méthdes d'estimatin de la taille d'étude pur les tests simples 3. Applicatin à des cas cncrets, présentatin de la prc POWER 4. Estimatin dans des situatins plus cmplexes : régressin lgistique, mdèle de survie 5. Intrductin du calcul de taille d'étude et de puissance a psteriri avec le mdèle linéaire mixte Page 43

Olivier Decurt SARL Catalgue frmatin 2016 [RISQUE] Mdélisatin de risque crédit Ce stage est destiné aux chargés d étude risque des grupes bancaires et autres rganismes de prêts. Il décrit les principales stratégies pur mdéliser deux éléments imprtants du risque : la prbabilité de défaut (PD) et le mntant nn recuvré (LGD). Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) STAT101SAS 1. Cnstruire la base de travail (PD) Quels dssiers cnserver? Définitin de la variable cible (défaut)? Equilibrage Echantilln test 2. Phase explratire (PD) Transfrmatin des variables explicatives (quanti quali) Gestin des dnnées manquantes Tests de liaisn avec la variable cible 3. Scring (PD) Cnstructin du mdèle : sélectin des variables pertinentes Cnstructin du mdèle : simplificatin des mdalités Evaluatin du mdèle : curbe ROC, curbe de lift, densité 4. Régressin linéaire et linéaire généralisée (LGD) Régressin linéaire classique, régressin «lgit-linéaire» Régressin Gamma avec ffset Régressin fractinnée Régressin lgistique sur seuil aléatire 5. Régressin «beta-inflated»(lgd) Principe de la li Utilisatin de la prcédure NLMIXED 6. Evaluatin des mdèles, cmparaisns (LGD) Page 44

Olivier Decurt SARL Catalgue frmatin 2016 [SCOCHURN] Scring pur la rétentin client Ce stage est destiné aux chargés d étude marketing qui nt besin de bâtir des scres d attritin / churn. Pur cela, ils utilisernt des techniques de mdélisatin classiques (régressin lgistique, arbres de décisin) pur estimer la prbabilité de départ d un client. Une uverture est faite sur les mdèles de durée qui snt cmplémentaires. Cette frmatin traite aussi de la phase explratire et de l utilisatin du mdèle (curbe de lift, curbe ROC, suivi dans le temps). Durée : 2 u 3 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), Spad STAT101SAS 1. Définitin de la prblématique et préparatin de la base Cerner la variable cible : qu est-ce qu un départ? à quel hrizn? Purqui équilibrer un échantilln? Scissin en deux u tris crpus de dnnées 2. Statistique explratire Graphiques : curbes de densité, weight f evidence Indicateurs de liaisn : Cramer, Fisher, Wilcxn, Klmgrv-Smirnv Caractérisatin par les variables qualitatives 3. Mise au pas des dnnées Ecrêtement de valeurs extrêmes Gestin de dnnées manquantes Mise en tranches des variables quantitatives 4. Mdélisatins Régressin lgistique : sélectin du meilleur mdèle Régressin lgistique : simplificatin et interprétatin du mdèle Arbre de décisin Mdélisatin d une durée : mdèles paramétriques AFT 5. Cmparaisn et utilisatin de mdèles Stabilité du mdèle : AUC sur les tris crpus de dnnées Perfrmance du mdèle : curbe de lift Prise de décisin : seuil ptimal, tableaux de classement Page 45

Olivier Decurt SARL Catalgue frmatin 2016 [SCOMKT] Scring pur le ciblage marketing Ce stage est destiné aux chargés d étude marketing qui nt besin d ptimiser leurs ciblages pur des campagnes, de quantifier l appétence à un prduit, d ptimiser le crss-selling. Pur cela, ils utilisernt des techniques de mdélisatin classiques (régressin lgistique, arbres de décisin) u innvantes (mdèle uplift). Cette frmatin traite aussi de la phase explratire et de l utilisatin du mdèle (curbe de lift, curbe ROC, suivi dans le temps). Durée : 2 u 3 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), Spad STAT101SAS 1. Définitin de la prblématique et préparatin de la base Quelles prblématiques se prêtent à un scre? Cerner la variable cible Purqui équilibrer un échantilln? Scissin en deux u tris crpus de dnnées 2. Statistique explratire Graphiques : curbes de densité, weight f evidence Indicateurs de liaisn : Cramer, Fisher, Wilcxn, Klmgrv-Smirnv Caractérisatin par les variables qualitatives 3. Mise au pas des dnnées Ecrêtement de valeurs extrêmes Gestin de dnnées manquantes Mise en tranches des variables quantitatives 4. Mdélisatins Régressin lgistique : sélectin du meilleur mdèle Régressin lgistique : simplificatin et interprétatin du mdèle Arbre de décisin Régressin lgistique uplift 5. Cmparaisn et utilisatin de mdèles Stabilité du mdèle : AUC sur les tris crpus de dnnées Perfrmance du mdèle : curbe de lift Page 46

Olivier Decurt SARL Catalgue frmatin 2016 [SCORISK] Scring pur l ctri de crédit Ce stage est destiné aux chargés d étude en risque qui nt besin de quantifier la prbabilité de défaut (PD) d un dssier de crédit. Pur cela, ils utilisernt des techniques de mdélisatin (régressin lgistique, analyse discriminante, arbres de décisin). Cette frmatin traite aussi de la phase explratire et de l utilisatin du mdèle (curbe de lift, curbe ROC, suivi dans le temps), ainsi que de sujets plémiques cmme la réintégratin des refusés (rejected inference). Durée : 2 jurs Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), Spad STAT101SAS 1. Définitin de la prblématique et préparatin de la base Cerner la variable cible Purqui équilibrer un échantilln? Scissin en deux u tris crpus de dnnées 2. Statistique explratire Graphiques : curbes de densité, weight f evidence Indicateurs de liaisn : Cramer, Fisher, Wilcxn, Klmgrv-Smirnv Caractérisatin par les variables qualitatives 3. Mise au pas des dnnées Ecrêtement de valeurs extrêmes Gestin de dnnées manquantes Mise en tranches des variables quantitatives 4. Mdélisatins Régressin lgistique : sélectin du meilleur mdèle Régressin lgistique : simplificatin et interprétatin du mdèle Arbre de décisin Analyse discriminante DISQUAL 5. Cmparaisn et utilisatin de mdèles Stabilité du mdèle : accuracy rati sur les tris crpus de dnnées Perfrmance du mdèle : curbe de lift Prise de décisin : seuil ptimal, tableaux de classement Optimisatin du mdèle : que penser de l intégratin des refusés? Stress-tests Page 47

Olivier Decurt SARL Catalgue frmatin 2016 [TYPOMKT] Typlgie pur la segmentatin client Ce stage est destiné aux chargés d étude marketing qui nt besin de bâtir des grupes hmgènes de clients. Les techniques abrdées snt la classificatin hiérarchique, les K-myennes, ainsi que la méthde mixte. En cas d applicatin sus Spad, la segmentatin par arbre est également présentée. Durée : 1 à 2 jurs seln les attentes et le niveau du public Lgiciels pssibles : SAS, SAS Enterprise Guide (cde), Spad STAT101SAS 1. Analyse factrielle Analyse explratire Créatin de facteurs synthétiques Influence du cdage sur le résultat Sélectin du nmbre ptimal de facteurs 2. Segmentatin Classificatin Ascendante Hiérarchique, dendrgramme K-myennes, CCC, frmes frtes Méthde mixte / de Wng Classificatin explicite par arbres (sus Spad) 3. Descriptin des classes, reclassement Descriptin univariée (caractérisatin) Réaffectatin aux classes par arbre Réaffectatin aux classes par régressin lgistique Réaffectatin gémétrique (distance aux centres) Page 48

Olivier Decurt SARL Catalgue frmatin 2016 [UPLIFT] Mdélisatin uplift Ce stage est destiné aux chargés d étude marketing qui suhaitent analyser des returs de campagne et ptimiser le rendement de campagnes futures. Il décrit la technique des scres «uplift» qui utilise une ppulatin témin et une ppulatin active. Durée : 1 jur Lgiciels pssibles : SAS, SAS Enterprise Guide (cde) SCORING 1. Analyse d un retur de campagne Equivalence échantilln témin/actif Mdélisatin lgistique pur le suivi de survenance d un évènement Mdélisatin Gamma/Pissn pur le suivi de cmptages et de mntants 2. Scre uplift pur une campagne future Principe du scre uplift Mise en œuvre avec une régressin lgistique Evaluatin du mdèle Cmparaisn avec un ciblage classique (scre d appétence) Page 49