Elements of statistics for data science

EE-209 / 3 credits

Teacher: Krzakala Florent Gérard

Language: French

Contenu

  • Théorie de l'estimation: estimateurs du maximum de vraisemblance et des moments, information de Fisher, inégalité de Cramer-Rao, intervalles de confiance exacts et asymptotiques, bootstrap.
  • Tests d'hypothèses: cadre de Neyman-Pearson, test du rapport de vraisemblance, tests paramétriques (t-tests, z-tests, tests du chi2) et non-paramétrique (Wilcoxon)
  • Introduction à l'inférence bayésienne: a priori, a posteriori, distribution prédictive, a priori conjugé,exemples de mise en oeuvre,  intervalles de crédibilité.
  • Modèle linéaire: théorème de Gauss-Markov, cas Gaussien, modèle linéaire généralisé
  • Analyse en Composantes Principales

Ressources

Références suggérées par la bibliothèque

Liens Moodle

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
  • Type: mandatory
  • 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
  • Type: mandatory
  • 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
  • Type: optional
  • 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
  • Type: mandatory

Reference week

Related courses

Results from graphsearch.epfl.ch.