Descriptif
The objective of this course is to show students how statistics is used in practice to answer a specific question, by introducing a series of important model-based approaches.
The students will learn to select and use appropriate statistical methodologies and acquire solid and practical skills by working-out examples on real-world data sets from various areas including medicine, genomics, ecology, and others.
All analyses will be conducted with the R software, possibly with interfacing to Python. No strong knwoledge neither of R nor Python programming is required (only basic scripting).
Course Evaluation: 2 individual homework assignements + a final exam/project
Course Language: French with all material in English
Website: https://jchiquet.github.io/MAP566/
Syllabus
-
Statistical tests (x1.5)
- Two-populations comparison
- Power analysis
- Multiple Testing
-
Regression models (x1.5)
- Linear and Non Linear Regression models
- Nonlinear regression models
- Inference Diagnostic, Model comparison
-
Mixed effects models (x2)
- Linear mixed effects models
- Nonlinear mixed effects models
-
Mixture models and model-based clustering (x2)
- Gaussian mixture models for data clustering
- Stochastic Block Models for graph clustering
- (Variational) EM algorithm
-
Model-based Dimension Reduction (x2)
- Multivariate Gaussian model
- Probabilistic Gaussian PCA
- Generalized mixed effect models
Langue du cours : Français
Credits ECTS : 4
effectifs minimal / maximal:
/72Diplôme(s) concerné(s)
- Echanges PEI
- Artificial Intelligence and Advanced Visual Computing
- Titre d’Ingénieur diplômé de l’École polytechnique
- M1 Data AI - Data and Artificial Intelligence
- Non Diplomant
- M1 - Applied Mathematics and statistics
- M1 Innovation, Entreprise, et Société - Voie Innovation technologique
- M1 - Mechanics
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M1 Data AI - Data and Artificial Intelligence
Le rattrapage est autorisé (Max entre les deux notes)Pour les étudiants du diplôme Titre d’Ingénieur diplômé de l’École polytechnique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Artificial Intelligence and Advanced Visual Computing
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 ECTS
La note obtenue rentre dans le calcul de votre GPA.
Pour les étudiants du diplôme Echanges PEI
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 Innovation, Entreprise, et Société - Voie Innovation technologique
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme M1 - Mechanics
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 3 ECTS
Pour les étudiants du diplôme M1 - Applied Mathematics and statistics
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme Non Diplomant
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS