Descriptif
L'objectif de ce cours est de montrer aux étudiants comment les statistiques sont utilisées dans la pratique pour répondre à une question précise, en introduisant une série d'approches importantes basées sur des modèles.
Les étudiants apprendront à sélectionner et utiliser les méthodologies stratégiques appropriées et à aquérir des compétences solides et pratiques à l'aide d'exemples concrets d'ensembles de données réelles issus de différents domaines y compris, entre autres, de la médecine, génomique, écologie.
Toutes les analyses seront réalisées sur un logiciel R. Des connaissances en programmation R ne sont pas requises (seulement en script de base).
Evaluation : 1 ou 2 projects de groupe + 1 rapport de PC + un examen final
Langue du cours : Français
effectifs minimal / maximal:
/80Diplôme(s) concerné(s)
- Programmes d'échange internationaux
- M1 Data AI - Data and Artificial Intelligence
- M1 Mécanique
- M1 Innovation, Entreprise et Société
- MScT-Artificial Intelligence and Advanced Visual Computing
- Titre d’Ingénieur diplômé de l’École polytechnique
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour les étudiants du diplôme M1 Innovation, Entreprise et Société
L'UE est acquise si Note finale >= 10Pour les étudiants du diplôme Programmes d'échange internationaux
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 5 ECTS
Pour les étudiants du diplôme MScT-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 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 M1 Data AI - Data and Artificial Intelligence
Le rattrapage est autorisé (Max entre les deux notes)Pour les étudiants du diplôme M1 Mécanique
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 3 ECTS
Programme détaillé
- Tests statistiques (x2)
- Comparaison de deux populations
- Analyses de pouvoir
- Tests multiples
- Modèles de regression (x2)
- Modèle de régression linéaire et non linéaire
- Modèles de régression linéaire
- Inférence diagnostique, Comparaison de modèles
- Modèles à effets mixtes (x2)
- Modèles à effets mixtes linéaires
- Modèles à effets mixtes non linéaires
- Densités mélanges et groupement basé sur des modèles (x3)
- Modèle de mélange gaussien pour groupement de données
- Modèles de blocs stochastiques pour groupement de graphes
- Algortihme espérence-maximisation (des variations)