Eléments de statistiques pour les data sciences
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
Dans les plans d'études
- Semestre: Printemps
- Forme de l'examen: Ecrit (session d'été)
- Matière examinée: Eléments de statistiques pour les data sciences
- Cours: 2 Heure(s) hebdo x 14 semaines
- Exercices: 1 Heure(s) hebdo x 14 semaines
- Semestre: Printemps
- Forme de l'examen: Ecrit (session d'été)
- Matière examinée: Eléments de statistiques pour les data sciences
- Cours: 2 Heure(s) hebdo x 14 semaines
- Exercices: 1 Heure(s) hebdo x 14 semaines
- Semestre: Printemps
- Forme de l'examen: Ecrit (session d'été)
- Matière examinée: Eléments de statistiques pour les data sciences
- Cours: 2 Heure(s) hebdo x 14 semaines
- Exercices: 1 Heure(s) hebdo x 14 semaines
- Semestre: Printemps
- Forme de l'examen: Ecrit (session d'été)
- Matière examinée: Eléments de statistiques pour les data sciences
- Cours: 2 Heure(s) hebdo x 14 semaines
- Exercices: 1 Heure(s) hebdo x 14 semaines