Wikipedia pas recommandé pour l'autoapprentissage en stats.

Très nombreuses ressources sur le machine learning

Ensemble de ressources pour le spatial sous R

Utilisation de R pour l'optimisation combinatoire. Sous classe : on cherche à optimiser une fonction objectif linéaire avec des contraintes d'inégalité le tout impliquant des variables entières. Exemple, le problème du sac à dos. Plein de ressources pour ça.

L'époque où les boucles for étaient lentes sous R est révolue. Les fonctions lapply et sapply font des boucles, en interne.
Par contre, redimensionner un objet (ajouter une colonne à une matrice) prend du temps parce qu'il faut à chaque fois réallouer la mémoire. Si on sait quelle taille finale l'objet doit faire, on gagne du temps à initialiser la matrice, puis à la remplir, plutôt que de faire du cbind à chaque fois.
Sinon, on peut utiliser une liste, car les éléments d'une liste ne sont pas localisés de façon contigüe dans la mémoire, donc pas besoin d'allouer toute la liste à chaque fois.

Essayer de viser la vectorisation au maximum. Gaffe, sapply/lapply ne sont pas des fonctions vectorisées : ce sont des boucles for cachées.

Multi-agent programming environment. Avec interface sous R programmable ici : https://github.com/PredictiveEcology/NetLogoR

Des podcasts sur la data science.

Alire

Pourquoi utiliser Viridis: 7% d'erreur à identifier une discontinuité, vs 28% pour rainbow.

Fallait s'y attendre...