Learnr for module 5 revised for 2023-2024

Author: phgrosjean

DESCRIPTION

@@ -1,5 +1,5 @@
 Package: BioDataScience2
-Version: 2023.4.0
+Version: 2023.5.0
 Title: A Series of Learnr Documents for Biological Data Science 2
 Description: Interactive documents using learnr for studying biological data science (second course).
 Authors@R: c(

NEWS.md

@@ -1,3 +1,7 @@
+# BioDataScience2 2023.5.0
+
+-   Learnr **B05La_nls** revised for 2023-2024.
+
 # BioDataScience2 2023.4.0
 
 -   New learnr **B04La_glm** added for 2023-2024.

inst/tutorials/B05La_nls/B05La_nls.Rmd.inactive renamed to inst/tutorials/B05La_nls/B05La_nls.Rmd

@@ -1,7 +1,7 @@
 ---
 title: "Régression non linéaire"
 author: "Guyliann Engels & Philippe Grosjean"
-description: "**SDD II Module 5** Régression non linéaire et modèles non linéaires principaux en biologie."
+description: "**SDD II Module 5** Régression non linéaire."
 tutorial:
   id: "B05La_nls"
   version: 2.0.1/5
@@ -13,7 +13,7 @@ runtime: shiny_prerendered
 
 ```{r setup, include=FALSE}
 BioDataScience2::learnr_setup()
-SciViews::R()
+SciViews::R("model", lang = "fr")
 
 set.seed(42)
 tumor <- dtx(
@@ -78,15 +78,17 @@ df1 <- dtx(
 )
 ```
 
-```{r expo_h2, exercise=TRUE, exercise.setup="expo_prep"}
+```{r expo_h2, exercise=TRUE, exercise.lines=5, exercise.setup="expo_prep"}
 expo <- ___(data = ___, ___ ~ ___(t, ___, ___),
   start = list(___ = ___, ___ = ___), trace = TRUE)
+chart(___)
 summary(___)
 ```
 
 ```{r expo_h2-hint-1}
 expo <- nls(data = df1, y ~ exponent(t, ___, ___),
   start = list(y0 = ___, k = ___), trace = TRUE)
+chart(___)
 summary(___)
 
 #### ATTENTION: Hint suivant = solution !####
@@ -96,11 +98,12 @@ summary(___)
 ## Solution ##
 expo <- nls(data = df1, y ~ exponent(t, y0, k),
   start = list(y0 = 1, k = 0.5), trace = TRUE)
+chart(expo)
 summary(expo)
 ```
 
 ```{r expo_h2-check}
-grade_code("Voici votre premier modèle non linéaire... et certainement pas le dernier.")
+grade_code("C'est votre premier modèle non linéaire... et certainement pas le dernier.")
 ```
 
 ## Volume tumoral
@@ -119,14 +122,16 @@ Aidez-les en réalisant les différents modèles proposés ci-dessous et sélect
 
 A partir du jeu de données `tumor`, modélisez la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant une courbe logistique. Calculez le critère d'Akaïke pour votre modèle.
 
-```{r tumor_logis_h2, exercise = TRUE}
-logis <- nls(data = ___, ___ ~ SSlogis(___, ___, ___, ___))
+```{r tumor_logis_h2, exercise=TRUE, exercise.lines=5}
+logis <- nls(data = ___, ___ ~ ___(___, ___, ___, ___))
+chart(___)
 summary(___)
 ___(___)
 ```
 
 ```{r tumor_logis_h2-hint-1}
 logis <- nls(data = tumor, volume ~ SSlogis(time, ___, ___, ___))
+chart(___)
 summary(___)
 ___(logis)
 
@@ -136,6 +141,7 @@ ___(logis)
 ```{r tumor_logis_h2-solution}
 ## Solution ##
 logis <- nls(data = tumor, volume ~ SSlogis(time, Asym, xmid, scal))
+chart(logis)
 summary(logis)
 AIC(logis)
 ```
@@ -148,14 +154,16 @@ grade_code("Essayons un autre modèle pour voir si l'on peut faire mieux.")
 
 A partir du jeu de données `tumor`, modélisez la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant le modèle de Gompertz. Calculez le critère d'Akaïke pour votre modèle.
 
-```{r tumor_gomp_h2, exercise = TRUE}
-gomp <- nls(data = ___, ___ ~ SSgompertz(___, ___, ___, ___))
+```{r tumor_gomp_h2, exercise=TRUE, exercise.lines=5}
+gomp <- nls(data = ___, ___ ~ ___(___, ___, ___, ___))
+chart(___)
 summary(___)
 ___(___)
 ```
 
 ```{r tumor_gomp_h2-hint-1}
 gomp <- nls(data = tumor, volume ~ SSgompertz(time, ___, ___, ___))
+chart(___)
 summary(___)
 ___(gomp)
 
@@ -165,41 +173,45 @@ ___(gomp)
 ```{r tumor_gomp_h2-solution}
 ## Solution ##
 gomp <- nls(data = tumor, volume ~ SSgompertz(time, Asym, b2, b3))
+chart(gomp)
 summary(gomp)
 AIC(gomp)
 ```
 
 ```{r tumor_gomp_h2-check}
-grade_code("Bravo ! C'est impressionnant. Et si on en testait un dernier...")
+grade_code("Et si on en testait un dernier...")
 ```
 
-### Modèle de von Bertalanffy
+### Modèle de Weibull
 
-A partir du jeu de données `tumor`, modélisez la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant le modèle de von Bertalanffy. Calculez le critère d'Akaïke pour votre modèle.
+A partir du jeu de données `tumor`, modélisez la croissance tumorale (`volume`) en fonction du temps (`time`) en utilisant le modèle de Weibull. Calculez le critère d'Akaïke pour votre modèle.
 
-```{r tumor_vb_h2, exercise = TRUE}
-vb <- nls(data = ___, ___ ~ SSasympOff(___, ___, ___, ___))
+```{r tumor_vb_h2, exercise=TRUE, exercise.lines=5}
+wb <- nls(data = ___, ___ ~ ___(___, ___, ___, ___, ___))
+chart(___)
 summary(___)
 ___(___)
 ```
 
 ```{r tumor_vb_h2-hint-1}
-vb <- nls(data = tumor, volume ~ SSasympOff(time, ___, ___, ___))
+wb <- nls(data = tumor, volume ~ SSweibull(time, ___, ___, ___, ___))
+chart(___)
 summary(___)
-___(vb)
+___(wb)
 
 #### ATTENTION: Hint suivant = solution !####
 ```
 
 ```{r tumor_vb_h2-solution}
 ## Solution ##
-vb <- nls(data = tumor, volume ~ SSasympOff(time, Asym, lrc, c0))
-summary(vb)
-AIC(vb)
+wb <- nls(data = tumor, volume ~ SSweibull(time, Asym, Drop, lrc, pwr))
+chart(wb)
+summary(wb)
+AIC(wb)
 ```
 
 ```{r tumor_vb_h2-check}
-grade_code("Ce modèle s'ajuste aussi dans ces données")
+grade_code("Ce modèle s'ajuste aussi dans ces données.")
 ```
 
 ### Comparaison des modèles à partir du critère d'Akaïke
@@ -214,7 +226,7 @@ question("Quelle est le meilleur modèle ?",
 
 ## Conclusion
 
-Vous venez de terminer votre séance d'exercice.
+Vous venez de terminer votre séance d'exercices relative à la régression non linéaire. L'utilisation de modèles 'selfStart' rend les calculs bien plus faciles dans R. La difficulté reste, comme toujours, de choisir le bon modèle.
 
 ```{r comm_noscore, echo=FALSE}
 question_text(