Plateforme d’Initiation à la Statistique et à la Data Science
Des fondamentaux aux techniques avancées, pour les professionnels de santé, chercheurs et analystes de données
Un catalogue complet de formations en statistique, biostatistique, data science et méthodologie de recherche. Chaque formation combine théorie accessible, cas pratiques en R et SPSS, et jeux de données réels issus du contexte africain.
11 Formations
4 Parcours
R, Python, SPSS Logiciels
400h+ De contenu
Parcours de formation
Quatre parcours progressifs pour structurer votre apprentissage. Chaque parcours peut être suivi intégralement ou à la carte.
Parcours Fondamentaux
Les bases indispensables : maîtriser R, comprendre les statistiques descriptives et inférentielles, puis les appliquer au domaine biomédical.
Parcours Analyse avancée
Maîtriser les méthodes avancées : analyse d’enquêtes complexes, modélisation statistique poussée, et analyse spatiale en santé.
Parcours Data Science
De l’analyse de données à l’intelligence artificielle : Python, machine learning, et tableaux de bord interactifs.
Parcours Recherche clinique
Concevoir, analyser et publier une étude clinique : méthodologie des essais, méta-analyse, et rédaction scientifique.
Catalogue des formations
1 Analyse de données avec R
Apprendre R de zéro : importer, manipuler, visualiser et analyser des données. Le socle technique pour toutes les autres formations.
2 Statistique descriptive et inférentielle
Les fondements théoriques de la statistique : probabilités, estimation, tests d’hypothèses, régression. Sans spécialisation sectorielle.
3 Biostatistique appliquée
Application des statistiques aux sciences de la santé : 11 modules de l’analyse descriptive au machine learning, avec R et SPSS.
4 Analyse des données d’enquêtes (EDS/MICS)
Plans de sondage complexes, pondérations, stratification. Analyse avec le package survey en R et le module Complex Samples de SPSS.
5 Modélisation statistique avancée
Modèles mixtes, GLM généralisés, données longitudinales, gestion des données manquantes, analyse de médiation.
6 Analyse spatiale et SIG en santé
Cartographie des maladies, détection de clusters spatiaux, analyse géographique. Avec R (sf, tmap) et QGIS.
7 Data Science avec Python
Pandas, NumPy, Matplotlib, Seaborn, scikit-learn. De l’analyse exploratoire au machine learning, avec des projets complets.
8 Machine Learning appliqué
Algorithmes de classification, régression, clustering, deep learning. Validation croisée, tuning, déploiement. Avec R et Python.
9 Tableaux de bord et visualisation
Créer des dashboards interactifs avec Shiny (R), Dash (Python) et Power BI. Communiquer les données efficacement.
10 Méthodologie des essais cliniques
Conception, conduite et analyse d’essais cliniques. Protocole, randomisation, monitoring, analyse statistique, soumission réglementaire.
11 Méta-analyse et revue systématique
Méthodologie PRISMA, forest plots, hétérogénéité, biais de publication. Avec les packages R meta et metafor.
Public cible
Professionnels de santé Médecins, pharmaciens, infirmiers
Étudiants Master et doctorat
Chercheurs Sciences biomédicales, épidémiologie
Data analysts Analystes et ingénieurs données