Descriptif
Objectifs pédagogiques
Doit être capable de bâtir des intervalles de confiance et de réaliser des tests statistiques
Doit être capable de réaliser la sélection des variables pertinentes
Doit être capable de combiner le LASSO, le Ridge et les moindres carrées ordinaires selon le problème posé.
Doit être capable de coder en python les méthodes de base et d’utiliser scikit-learn.
Diplôme(s) concerné(s)
Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme IA : Intelligence Artificielle
Vos modalités d'acquisition :
Rentre dans la moyenne du BE1
1 Examen écrit, 2 travaux pratiques notés
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
