Ce cours apparaît dans les formations suivantes :
• Ecole Du Numérique (EDN) - Master 1 Data & Intelligence Artificielle - S2 - 4 ECTS

Objectifs du cours

• Savoir réaliser une exploration détaillée des données (phase critique avant la mise en œuvre d’algorithmes de machine Learning)


• Mettre en œuvre les outils statistiques adéquats


• Apporter un regard critique sur les données

Contenu du cours

• Les ensembles


• Description d’une série statistique
  
  
  
  • Le vocabulaire de la statistique (Population, échantillon, type de caractéristiques)
  
  
  • Effectifs et fréquences (cumulés et non cumulés)
  
  
  • La discrétisation de caractéristiques continues (Règles de Sturges, de Rice, de Scott, de Freedman-Diaconis)
  
  
  • Le tableau de contingence
  
  
  
  


• Analyses statistique univariée
  
  
  
  • Les caractéristiques de position (mode, moyenne, quantiles)
  
  
  • Les caractéristiques de dispersion (variance, écart-type sur population et échantillon, pourquoi n-1 dans le calcul de la variance et de l’écart-type corrigés ?)
  
  
  • Les caractéristiques de formes (Skewness et Kurtosis)
  
  
  
  


• Analyses statistique bi/multivariées
  
  
  
  • Le tableau de contingence pour l’analyse multivariée
  
  
  • Liaison entre deux caractéristiques continues (covariance, le coefficient de correlation linéaire de Pearson)
  
  
  • Liaison entre deux caractéristiques numériques ou ordinales (Coefficient de corrélation des rangs de Pearson, Tau de Kendall, Test du Chi-Deux)
  
  
  
  


• Statistiques inférentielles
  
  
  
  • Introduction aux probabilités et au tests statistiques
  
  
  
  


• Analyses factorielles
  
  
  
  • Analyse en composantes principale
  
  
  • Analyse factorielle des correspondances
  
  
  • Analyse des correspondances multiples
  
  
  
  

• Statistiques et Machine Learning
  
  
  
  • La régression linéaire
  
  
  
  

Modalités d'enseignement

Organisation du cours

cours de 40h

Méthodes pédagogiques

Évaluation

Examen : coeff. 1