v2.7.0 (3929)

Enseignement scientifique & technique - MDI720 : Statistiques (MS BDG)

Domaine > Mathématiques.

Descriptif

L'objectif de ce cours est de donner aux élèves les outils indispensables à la pratique des statistiques et de l'analyse de données, en déclinant les concepts fondamentaux: modèles, estimateurs, estimation ponctuelle, estimation par intervalle, principes de construction (moments, vraisemblance), critères d'admissibilité (biais/variance, bornes de Cramer-Rao), procédures de décision, tests d 'hypothèses. Les cours seront illustrés par des exemples pratiques issus de l'analyse statistique de données.

20 heures en présentiel (20 blocs ou créneaux)

Diplôme(s) concerné(s)

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme IA : Intelligence Artificielle

Le rattrapage est autorisé (Max entre les deux notes)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 3 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Pour les étudiants du diplôme Big Data : gestion et analyse des données massives

Vos modalités d'acquisition :

Rentre dans la moyenne de la période

Le rattrapage est autorisé (Max entre les deux notes)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 3 ECTS

La note obtenue rentre dans le calcul de votre GPA.

Programme détaillé

Le programme se répartie en 2 parties. A Modèle linéaire Gaussien B Régression non-linéaire. Partie A Modèle linéaire Gaussien A1 Estimateur des moindres carrés et risque quadratique A2 Rappels sur les vecteurs gaussiens A3 Intervalles de confiances: coefficients régression et prédiction A4 Détection de valeurs abérantes A5 Tests d\'hypothèses A6 Sélection de variable A7 Moindres carrés et vraisemblance gaussienne, Classification logistique Partie B Régression non-linéaire. B1 Intro Estimation non-parmétrique B2 Estimation sans biais du risque B3 Régression spline

Méthodes pédagogiques

1 ou 2 contrôles dont au moins 1 écrit.
Veuillez patienter