Descriptif
Objectives
Statistics is the essence behind data science. It is clearly essential to have a deep understanding of the theory and the methods. This is a prerequisite before following a machine learning course.
Syllabus
- Elements of decision theory: risk, loss, decision rules
- Optimal decisions, unbiasedness, equivariance, sufficient statistics
- Pointwise estimator: Z-estimator, M-estimator
- Asymptotical results: law of large numbers, central limit theorem, consistency, asymptotic normality
- Maximum likelihood, Fisher information, Kullback Leibler, asymptotic optimality
- Tests: definitions, the Neyman-Pearson lemma, Uniformly Most Powerful test, p-value
Langue du cours : Anglais
Diplôme(s) concerné(s)
- MScT-Data Science for Business
- Titre d’Ingénieur diplômé de l’École polytechnique
- MScT-Double Degree Data and Finance (DDDF)
Parcours de rattachement
Format des notes
Numérique sur 20Littérale/grade réduitPour 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 MScT-Data Science for Business
Le rattrapage est autorisé (Note de rattrapage conservée)- Crédits ECTS acquis : 4 ECTS
La note obtenue rentre dans le calcul de votre GPA.