Elements of statistics for data science
EE-209 / 3 credits
Teacher:
Language: French
Remarque: Pas donné en 2021-22
Contenu
- Théorie de l'estimation: estimateurs du maximum de vraisemblance et des moments, famille exponentielle, information de Fisher, inégalité de Cramer-Rao, intervalles de confiance.
- Tests d'hypothèses: cadre de Neyman-Pearson, courbes ROC, exemples de tests paramétrique et non-paramétriques
- Introduction au Bootstrap
- Introduction à l'inférence bayésienne: a priori, a posteriori, distribution prédictive, exemples de mise en oeuvre, intervalles de crédibilité
- Modèle linéaire: théorème de Gauss-Markov, cas Gaussien, modèle linéaire généralisé
In the programs
- Semester: Spring
- Exam form: Written (summer session)
- Subject examined: Elements of statistics for data science
- Lecture: 2 Hour(s) per week x 14 weeks
- Exercises: 1 Hour(s) per week x 14 weeks
- Semester: Spring
- Exam form: Written (summer session)
- Subject examined: Elements of statistics for data science
- Lecture: 2 Hour(s) per week x 14 weeks
- Exercises: 1 Hour(s) per week x 14 weeks
Reference week
Mo | Tu | We | Th | Fr | |
8-9 | |||||
9-10 | |||||
10-11 | |||||
11-12 | |||||
12-13 | |||||
13-14 | |||||
14-15 | |||||
15-16 | |||||
16-17 | |||||
17-18 | |||||
18-19 | |||||
19-20 | |||||
20-21 | |||||
21-22 |
Légendes:
Lecture
Exercise, TP
Project, other