Merge branch 'master' of github.com:BioDataScience-Course/BioDataScience3

Author: phgrosjean

inst/tutorials/C00La_refresh/C00La_refresh.Rmd

@@ -4,7 +4,7 @@ author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD III** Rappel des cours SDD I et II et nouveautés svbox2022."
 tutorial:
   id: "C00La_refresh"
-version: 2.0.2/14
+version: 2.0.1/14
 output:
   learnr::tutorial:
   progressive: true
@@ -707,7 +707,7 @@ chart$___(___)
 # Représentation dans l’espace des variables
 chart$___(___)
 # Représentation dans l’espace des individus
-chart$___(___, , labels = ___$___) +
+chart$___(___, labels = ___$___) +
   stat_ellipse()
 ```
 
@@ -717,7 +717,7 @@ chart$scree(crabs_w_pca)
 # Représentation dans l’espace des variables
 chart$___(___)
 # Représentation dans l’espace des individus
-chart$___(___,labels = crabs_w$___) +
+chart$___(___, labels = crabs_w$___) +
   stat_ellipse()
 
  #### ATTENTION: Hint suivant = solution !####

inst/tutorials/C02La_cv/C02La_cv.Rmd

@@ -14,10 +14,7 @@ runtime: shiny_prerendered
 
 ```{r setup, include=FALSE}
 BioDataScience3::learnr_setup()
-SciViews::R()
-library(mlearning)
-library(exploreit)
-library(rsample)
+SciViews::R("explore", "ml", lang = "fr")
 
 # Import dataset ----
 rice <- read("rice", package = "BioDataScience3", lang = "fr")
@@ -60,7 +57,7 @@ L'objectif de ce tutoriel est de comprendre la validation croisée et de l'appli
 Les données employées dans cette séance d'exercice proviennent de l'article : ["Classification of Rice Varieties Using Artificial Intelligence Methods"](https://doi.org/10.18201/ijisae.2019355381). N'hésitez pas à consulter cet article pour en apprendre davantage sur ces données.
 
 ```{r, echo=TRUE}
-rice <- read("rice", package = "BioDataScience3", lang = "fr")
+rice <- read("rice", package = "BioDataScience3")
 ```
 
 Le tableau `rice` a `r nrow(rice)` observations. Deux variétés de riz sont étudiées : `Cammeo` et `Osmancik`. Sur base d'analyse d'image, sept variables morphologiques sont extraites comme le périmètre, l'aire ou encore la longueur de l'axe majeur de l'ellipsoïde qui entoure la silhouette du grain de riz sur une image numérique.
@@ -103,7 +100,7 @@ L'exploration des données a été réalisée pour vous. Avant de passer à la s
 Utilisez les fonctions `initial_split()`, `training()` et `testing()` du package `rsamples` afin de définir votre set d'apprentissage et votre set de test. Votre set d'apprentissage se nomme `rice_train` et votre set de test se nomme `rice_test`. Il vous est demandé de réaliser un set d'entrainement contenant 0.8 des observations. Cet échantillonnage doit être stratifié grâce à la variable `class`.
 
 ```{r rice_split_h2, exercise = TRUE}
-set.seed(888) # Fixer le début du générateur de nombres pseudo-aléatoires
+set.seed(8888) # Fixer le début du générateur de nombres pseudo-aléatoires
 rice_split <- initial_split(___, prop = ___, strata = ___)
 rice_split
 # Diviser le tableau
@@ -141,7 +138,7 @@ grade_code("Parfait ! Vous avez réalisez votre set d'apprentissage et votre set
 
 Il vous est demandé de réaliser un classifieur utilisant l'analyse discriminante linéaire. C'est à vous de définir le tableau de données à employer entre `rice`, `rice_train` et `rice_test`.
 
-Entrainez un modèle de type discriminant linéaire avec le set d'apprentissage. Votre objectif est de prédire la variable `class` à l'aide des sept variable. Assignez le classifieur n'utilisant pas la validation croisée à `rice_lda` et assignez le classifieur utilisant la validation croisée à rice_cv_lda.
+Entrainez un modèle de type analyse discriminant linéaire avec le set d'apprentissage. Votre objectif est de prédire la variable `class` à l'aide des sept variable. Assignez le classifieur n'utilisant pas la validation croisée à `rice_lda` et assignez le classifieur utilisant la validation croisée à rice_cv_lda.
 
 ```{r lda_h2, exercise = TRUE}
 set.seed(8888)
@@ -170,7 +167,7 @@ grade_code("Votre LDA est entrainé. Il faut encore mesuré ces performances.",
 
 *La formule doit être écrite sous sa forme condensée*
 
-### Analyse discriminante linéaire avec validation croisée
+Réalisez à présent votre modèle en utilisant la validation croisée.
 
 ```{r lda_cv_h2, exercise = TRUE}
 set.seed(8888)
@@ -234,7 +231,7 @@ summary(rice_conf)
 ```
 
 ```{r pred_lda_h2-check}
-grade_code("Vous venez les analyses des performances du premier classifieur. Prenez un peu de temps pour analyser votre matrice de confusion et les métriques qui en découlent.")
+grade_code("Vous venez de calculer les métriques de performances du premier classifieur. Prenez un peu de temps pour analyser votre matrice de confusion et les métriques qui en découlent.")
 ```
 
 Évaluez les performances du second classifieur `rice_lda_cv` à l'aide d'une validation croisée dix fois.

inst/tutorials/C02Lb_ml2/C02Lb_ml2.Rmd

@@ -4,7 +4,7 @@ author: "Guyliann Engels & Philippe Grosjean"
 description: "**SDD III Module 2** K plus proches voisins, méthodes par arbres, forêt aléatoire."
 tutorial:
   id: "C02Lb_ml2"
-version: 2.0.0/6
+version: 2.0.0/5
 output:
   learnr::tutorial:
   progressive: true
@@ -14,8 +14,7 @@ runtime: shiny_prerendered
 
 ```{r setup, include=FALSE}
 BioDataScience3::learnr_setup()
-SciViews::R()
-library(mlearning)
+SciViews::R("ml")
 
 # Import dataset ----
 pumpkins <- read("pumpkins", package = "BioDataScience3")
@@ -61,7 +60,7 @@ BioDataScience3::learnr_server(input, output, session)
 
 ## Objectifs
 
-Ce tutoriel a pour objectif de vous permettre de découvrir de nouveaux algorithmes de classifications supervisées. Il s'intéresse aux K plus proches voisins, à la méthode par arbres et à la méthode par de la forêt aléatoire.
+Ce tutoriel a pour objectif de vous permettre de découvrir de nouveaux algorithmes de classifications supervisées. Il s'intéresse aux K plus proches voisins, à la méthode par arbres et à la méthode de la forêt aléatoire.
 
 Ces trois méthodes vont s'ajouter à l'analyse discriminante linéaire que vous avez découverte dans le premier module du cours de SDD III. Toutes ces méthodes font partie de votre boite à outils de la classification supervisée. Employez la méthode la plus judicieuse en fonction du contexte. Il est même conseillé de les tester et de les comparer afin de proposer le classifieur le plus efficace.
 
@@ -78,7 +77,7 @@ Le package {mlearning} permet d'utiliser une interface similaire pour chaque mé
 
 ## Explorer les données
 
-Les données employées dans ce tutoriel sont associées à l'article : ["Classification of Rice Varieties Using Artificial Intelligence Methods"](https://doi.org/10.18201/ijisae.2019355381). N'hésitez pas à consulter cet article pour en apprendre davantage sur ces données.
+Les données employées dans ce tutoriel sont associées à l'article : ["The use of machine learning methods in classification of pumpkin seeds (Cucurbita pepo L.)"](https://doi.org/10.1007/s10722-021-01226-0). N'hésitez pas à consulter cet article pour en apprendre davantage sur ces données.
 
 ```{r, echo = TRUE}
 pumpkins <- read("pumpkins", package = "BioDataScience3")
@@ -98,10 +97,9 @@ C'est à vous d'explorer ce tableau. Vous avez la possibilité de réaliser tous
 
 ## Préparer le set d'apprentissage et le test
 
-Réalisez le set d'apprentissage et le set de test. 80% des observations vont servir à entrainer le classifieur et 20% pour évaluer le classifieur. Le tableau de données se nomme `pumpkins`. Utilisez les fonctions dédiées à la création des sets d'apprentissage et de test `initial_spit()`, `training()`, `testing()` du package {rsample}.
+Réalisez le set d'apprentissage et le set de test. 80% des observations vont servir à entrainer le classifieur et 20% pour évaluer le classifieur. Le tableau de données se nomme `pumpkins`. Utilisez les fonctions dédiées à la création des sets d'apprentissage et de test `initial_spit()`, `training()`, `testing()`.
 
 ```{r split_h2, exercise = TRUE}
-library(rsample)
 set.seed(101121) # Générateur de nombres pseudo-aléatoires
 pumpkins_split <- initial_split(___, prop = ___)
 pumpkins_split
@@ -112,7 +110,6 @@ pumpkins_test <- ___(___)
 ```
 
 ```{r split_h2-hint-1}
-library(rsample)
 set.seed(101121) # Générateur de nombres pseudo-aléatoires
 pumpkins_split <- initial_split(___, prop = ___)
 pumpkins_split
@@ -125,7 +122,6 @@ pumpkins_test <- ___(___)
 ```
 
 ```{r split_h2-solution}
-library(rsample)
 set.seed(101121) # Générateur de nombres pseudo-aléatoires
 pumpkins_split <- initial_split(pumpkins, prop = 0.8)
 pumpkins_split
@@ -156,9 +152,9 @@ pumpkins_rf <- ml___(data = ___, ___~___, ___ = ___)
 # K plus proches voisins
 pumpkins_knn <- mlKnn(data = pumpkins_train, class~., k.nn = 15)
 # Partitionnement récursif
-pumpkins_part <- mlRpart(data = pumpkins_train, class~.)
+pumpkins_part <- ml___(data = ___, ___~___)
 # Forêt aléatoire
-pumpkins_rf <- mlRforest(data = pumpkins_train, class~., ntree = 100)
+pumpkins_rf <- ml___(data = ___, ___~___, ___ = ___)
 
 ## Attention, le prochain indice est la solution ##
 ```
@@ -217,15 +213,6 @@ grade_code("Bien joué ! Vous avez calculé les métriques des trois modèles. V
 
 ```{r qu_algo}
 quiz(
-  question("Quel classifieur permet d'avoir le meilleur taux de reconnaissance global ?",
-    answer("Les K plus proches voisins"),
-    answer("Le partitionnement récursif"),
-    answer("La forêt aléatoire", correct = TRUE),
-    allow_retry = TRUE, 
-    submit_button = "Soumettre une réponse",
-    try_again_button = "Resoumettre une réponse",
-    incorrect = "Mauvaise réponse. Recommencez et analysez les métriques des trois classifieurs.",
-    correct = "Bravo, c'est correct !"),
   question("Quel est la valeur du taux de vrais positifs pour le groupe des Cercevelik obtenu via le classifieur utilisant les k plus proches voisins ?",
     answer(sprintf("%.4f", conf_knn["Cercevelik",]$Recall), correct = TRUE),
     answer(sprintf("%.4f", conf_knn["Cercevelik",]$Precision)),