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.
45 heures en présentiel (30 blocs ou créneaux)
Format des notes
Numérique sur 20Littérale/grade européenPour 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
- 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
- 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