Séance 5 : Projet personnel intégré

Apprendre R avec les LLMs

Auteur·rice

Elias Bouacida

Date de publication

14 octobre 2025

Plan de la séance

Présentation du projet (15min) : Cadrage et attentes
Choix et préparation (30min) : Sélection du dataset et définition des questions
Travail autonome supervisé (120min) : Analyse libre avec consultations individuelles
Présentations courtes (45min) : Partage des résultats (5min/étudiant)

Production attendue : Analyse complète avec code, graphiques et interprétation

Objectifs de la séance

Mener une analyse complète en autonomie

Choisir et cadrer un sujet d’analyse personnel
Appliquer toutes les compétences acquises
Travailler en autonomie avec le LLM comme assistant
Communiquer ses résultats de manière claire
Recevoir et donner du feedback constructif

Présentation du projet

Qu’est-ce qu’un projet intégré ?

C’est une analyse complète qui combine TOUT ce que vous avez appris :

- Import et nettoyage de données
- Statistiques descriptives
- Fonctions personnalisées
- Conditions et boucles si nécessaire
- Visualisations avec ggplot2
- Interprétation des résultats
- Utilisation efficace des LLMs

Structure attendue

Votre projet doit contenir :

Introduction : Quel sujet ? Quelles questions ?
Données : Source, description, nettoyage
Analyse : Statistiques, visualisations
Fonctions : Au moins 2 fonctions personnalisées
Résultats : Interprétation claire
Code : Commenté et organisé

Critères d’évaluation

Excellence technique (40%) :

Code fonctionnel et robuste
Nettoyage approprié des données
Utilisation correcte des fonctions
Visualisations claires

Analyse (30%) :

Questions pertinentes
Statistiques appropriées
Interprétation correcte

Communication (20%) :

Code commenté
Présentation structurée
Graphiques lisibles

Utilisation des LLMs (10%) :

Prompts efficaces
Validation critique des réponses

Choix et cadrage

Étape 1 : Choisir un dataset

Sources de données possibles

Critères de choix

Pas trop volumineux (< 10 000 lignes)
Au moins 3-4 variables
Vous intéresse vraiment !

Exercice 1 : Exploration initiale

Une fois votre dataset choisi :

Importez-le dans R
Explorez-le :

# Premières lignes
head(mes_donnees)

# Structure
str(mes_donnees)

# Résumé
summary(mes_donnees)

# Dimensions
dim(mes_donnees)

Identifiez les problèmes potentiels (NA, types, incohérences)

15 minutes. Les étudiants découvrent leurs données.

Étape 2 : Définir ses questions

Avant d’analyser, définissez 2-3 questions claires.

Exemples de bonnes questions :

“Quelle est l’évolution des ventes au fil du temps ?”
“Y a-t-il une différence de salaire entre les groupes ?”
“Quels facteurs influencent le plus la note finale ?”

Mauvaises questions (trop vagues) :

“Qu’est-ce qu’il y a dans ces données ?”
“Fais une analyse”

Exercice 2 : Cadrage du projet

Remplissez ce cadre (écrivez-le !) :

PROJET : [Titre court]

DONNÉES :
- Source :
- Nombre de lignes :
- Variables principales :

QUESTIONS :
1.
2.
3.

ANALYSES PRÉVUES :
- Statistiques :
- Graphiques :
- Fonctions à créer :

Montrez votre cadre à l’enseignant avant de commencer !

15 minutes. Validation du cadrage. Éviter que les étudiants se lancent sans direction.

Travail autonome

Phase de travail (2h)

Vous êtes maintenant autonome !

Utilisez tout ce que vous avez appris :

Les LLMs pour vous aider
La documentation R
Votre journal de bord
Vos camarades
L’enseignant (consultations individuelles)

Attention !

Testez votre code régulièrement
Commentez au fur et à mesure
Sauvegardez souvent
Documentez vos prompts LLM

Checklist de progression

Pendant votre travail, vérifiez que vous avez :

Importé et vérifié les données
Nettoyé les données (NA, types, casse)
Calculé des statistiques descriptives
Créé au moins 3 graphiques ggplot2
Écrit au moins 2 fonctions personnalisées
Commenté votre code
Répondu à vos questions initiales
Testé que tout fonctionne

Stratégies pour avancer

Si vous êtes bloqué :

Décomposez le problème en étapes plus petites
Demandez au LLM une étape à la fois
Testez chaque étape avant de passer à la suivante
Consultez votre journal des séances précédentes
Demandez de l’aide à un camarade ou l’enseignant

Si vous avancez vite :

Créez des visualisations plus sophistiquées
Ajoutez des fonctions bonus
Explorez des analyses supplémentaires
Aidez vos camarades

Consultations individuelles

L’enseignant circule

Vous pouvez demander :

Validation de votre approche
Aide sur un bug précis
Conseils sur les visualisations
Vérification de votre code

Préparez votre question

Avant d’appeler l’enseignant, préparez :

Ce que vous essayez de faire
Ce que vous avez déjà essayé
Le message d’erreur exact (si erreur)

Exemples de projets réussis

Pour vous inspirer :

Analyse de données sportives :

Évolution des performances d’une équipe
Comparaison entre joueurs
Fonction : calculer et visualiser les statistiques d’un joueur

Analyse économique :

Évolution du PIB par pays
Comparaison de secteurs économiques
Fonction : calculer la croissance sur différentes périodes

Données de santé :

Relation entre facteurs et résultats de santé
Distribution des variables
Fonction : classifier les risques selon des critères

Analyse de sondage :

Pourcentages par catégorie
Comparaisons entre groupes
Fonction : créer des graphiques standardisés

Présentations

Format de présentation

5 minutes par personne :

Sujet et questions (30 sec) : Quoi et pourquoi ?
Données (30 sec) : Source, nettoyage
Résultats (3 min) : Montrez 2-3 graphiques clés
Fonctions créées (1 min) : Vos outils personnalisés
Questions (30 sec) : Discussions avec les pairs

Contrainte

Montrez votre code R en LIVE (pas de PowerPoint) !

Exercice 3 : Préparer sa présentation

Dans les 10 dernières minutes de travail :

Sélectionnez vos 2-3 graphiques les plus importants
Préparez votre script pour montrer :
- L’import des données
- Un exemple de nettoyage
- Les graphiques principaux
- Une fonction en action
Testez que tout s’exécute sans erreur
Notez les points clés à mentionner

Astuce : Créez un script de présentation séparé avec juste l’essentiel

Grille d’écoute

Pendant les présentations des autres, notez :

Une approche intéressante que vous pourriez réutiliser
Une visualisation particulièrement réussie
Une question ou suggestion constructive
Un problème similaire à ce que vous avez rencontré

Feedback constructif

Donnez des retours bienveillants et constructifs. Vous êtes tous en apprentissage !

Célébration des réussites

Vous avez réussi votre premier projet complet !

Réfléchissez :

Qu’est-ce qui a été le plus difficile ?
Qu’est-ce qui vous a le plus surpris ?
Qu’est-ce qui vous a le plus appris ?
Qu’est-ce qui vous a le plus plu ?

Retour réflexif

Exercice réflexif : Journal de bord

Documentez en détail dans votre journal :

Votre projet :
- Sujet choisi et pourquoi
- Questions posées
- Résultats principaux
Défis techniques :
- Problèmes rencontrés
- Solutions trouvées
- Rôle du LLM dans la résolution
Apprentissages :
- Ce que vous maîtrisez maintenant
- Ce qui reste difficile
- Progression depuis la séance 1
Prompts LLM :
- Vos prompts les plus efficaces
- Erreurs du LLM et comment vous les avez corrigées

15 minutes. Documentation importante de ce projet majeur.

Auto-évaluation

Évaluez votre propre projet :

Critère	🔴 Faible	🟡 Moyen	🟢 Bon	🟢🟢 Excellent
Code fonctionnel
Nettoyage données
Qualité graphiques
Interprétation
Commentaires
Utilisation LLM

Ressources et prochaines étapes

Ce que vous avez accompli

Choisi et cadré un projet d’analyse personnalisé
Mené une analyse complète en autonomie
Créé des fonctions personnalisées et réutilisables
Produit des visualisations professionnelles
Communiqué vos résultats à vos pairs
Utilisé les LLMs comme partenaires d’analyse
Développé votre autonomie en programmation

🎉 Félicitations ! Vous êtes maintenant capables d’analyser des données en autonomie !

Compétences à ce stade

Vous savez maintenant :

Analyser des données de A à Z
Choisir les bonnes analyses et visualisations
Créer des fonctions adaptées à vos besoins
Nettoyer et préparer des données réelles
Interpréter et communiquer des résultats
Utiliser les LLMs efficacement
Débugger de manière autonome

Questions ?

Points clés à retenir

Vous êtes capables d’analyser des données en autonomie
Le cadrage initial est crucial pour la réussite
Les LLMs sont des assistants, mais c’est vous qui dirigez
Tester et commenter au fur et à mesure est essentiel
Le feedback des pairs enrichit votre apprentissage

Bravo pour ce projet ! 🚀