Tag Archives: R_fr

07mars/18

Démographie historique et données collaboratives

Généalogie de Victor Hugo

Il y a quelques mois, j’indiquais dans un billet du blog que j’avais présenté les débuts des travaux engagés avec Arthur Charpentier au sujet de la démographie historique à partir de données collaboratives issues du site geneanet.org. J’avais également fait part de l’avancée des recherches lors d’une matinée d’exposés avec les membres de la chaire Actinfo (c.f. billet). Aujourd’hui, Arthur et moi avons déposé un document de travail intitulé « Étude de la démographie française du XIXe siècle à partir de données collaboratives de généalogie » sur HAL.

Dans ce papier, nous explorons un jeu de données de 2,45 millions d’individus, correspondant à des personnes nées entre 1800 et 1804 en France ainsi qu’à leurs descendants sur 3 générations. Les données brutes étaient gigantesques : plus de 700 000 000 de lignes. Chaque ligne représente un événement (naissance, mariage ou décès) pour un individu dans l’arbre d’un utilisateur de geneanet.org. Or, comme chaque utilisateur créé son propre arbre (il faut noter que nous n’avons pas accès aux arbres des utilisateurs n’ayant pas souhaité le rendre public), les individus se retrouvent dupliqués dans la base. Un gros travail d’appariement et de nettoyage des arbres a donc été réalisé et a conduit à ce nombre de 2,45 millions d’individus.

17nov./16

Mais où est Charlie ?


Hier, j’ai parcouru un article amusant de Randal S. Olson, intitulé « Here’s Waldo: Computing the optimal search strategy for finding Waldo« . Bon, ce n’est rien de nouveau, je sais, j’arrive un peu en retard, ça date de 2015. Quoi qu’il en soit, j’ai voulu apporter mon petit grain de sable au contenu proposé par Randal. Dans son billet, il explique qu’il a passé son week-end à chercher une stratégie optimale pour trouver Charlie. Vous savez, ce petit personnage en pull rayé rouge et blanc, avec un bonnet à pompom sur la tête. Pour ce faire, Randal a utilisé des techniques de machine learning. Il s’appuie sur une image publiée par Slate (Here’s Waldo, 2013, par Ben Blatt), qui répertorie la position de Charlie dans 68 double pages des albums. Randal extrait les coordonnées de l’image (et les partage gentiment).

[…]

16févr./15

Qui va gagner la Nouvelle Star ? À vos votes Twitter !

Cumul des votes par candidat au cours de la soirée

La chaîne de télévision D8 diffuse pour la troisième année consécutive l’émission Nouvelle Star. Si ma mémoire est bonne, je n’avais pas suivi ce programme depuis la saison 2006-2007, mais j’avoue m’être pris au jeu cette année, d’autant plus que la production propose une nouveauté par rapport aux saisons précédentes : les votes par Twitter !

Jeudi dernier, le 12/02, lors du quatrième prime, je me suis diverti avec l’API de Twitter pour récupérer les tweets postés pendant l’émission.

Les résultats de ma petite analyse laissent penser que les votes par SMS et par téléphone pratiqués durant l’émission ne sont pas négligeable, et ne reflètent pas exactement ce qui se dit sur le réseau social Twitter.

Aussi, après un bref rappel du déroulement des primes, ce billet présentera quelques observations réalisées autour des tweets extraits pendant l’émission de jeudi. Une troisième partie s’adressant à ceux désirant récupérer eux-même les tweets et effectuer leur propre analyse, fournira quelques codes R.

10mars/14

[L3 Eco-Gestion] Régression linéaire avec R : sélection de modèle

Après avoir présenté rapidement la régression linéaire multiple avec R, et parlé un peu des problèmes de multicolinéarité, on va se pencher sur différentes techniques qu’il est possible d’employer pour sélectionner un modèle. Bien sûr, il en existe beaucoup d’autres. Le but est ici de donner un rapide aperçu.

24févr./14

[L3 Eco-Gestion] Régression linéaire multiple avec R

Suite au premier exercice sur la régression linéaire simple avec R, voici un nouvel exercice sur la régression linéaire multiple avec R.

À nouveau, je vais dans un premier temps présenter toutes les étapes comme on pourrait les faire à la main, puis je terminerai par les deux lignes de code qui permettent d’obtenir les mêmes résultats.