Objectifs de la formation
L'objectif de ce cours est de fournir les outils classiques de la statistique mathématique qui permettent d'aborder le choix du modèle probabiliste, son estimation et son évaluation. Le but de ce cours est aussi d'assurer une formation à la manipulation de données et à la mise en oeuvre pratique des modèles étudiés. Pour cela, une partie conséquente du cours est orienté vers la mise en oeuvre des différents modèles à l'aide du logiciel R à travers l'étude d'un grand nombre d'exemples.
Mots-clés
Regression linéaire et logistique. Sélection de modèles. Plans d'expériences. Analyse statistique de simulations numériques. Optimisation Bayésienne.
Programme
- Rappel sur la régression linéaire. Validités et limites de la méthode. Sélection de modèles.
- Plans d'expériences : criblage et surface de réponses
- Régression logistique
- Analyse statistique de simulations numériques : regressions par processus gaussions, plans d'expériences numériques, analyse de sensibilité, optimisation bayésienne.
ACTIVITES PRATIQUES Les trois BE seront consacrés à l'apprentissage des techniques des modèles de régression sur des supports informatiques performants (logiciel R) et à des études de cas.
Compétences visées
- Savoir reconnaître différentes classes de problèmes de l'apprentissage statistique.
- Savoir mettre en oeuvre des modèles de base de l'apprentissage statistique et valider leur pertinence.
- Savoir mettre en oeuvre un krigeage (régression par processus gaussiens).
- Savoir utiliser le logiciel R.
Évaluation
L'évaluation comprendra une partie individuelle (examen écrit) et une partie collective (compte-rendu des activités pratiques). Note finale = 60% Note examen + 40% Note BE où la Note BE est la moyenne des notes des BE. Note = 60% savoir + 40% savoir-faire Note de savoir-faire = 100% BE Note de savoir = 100% examen terminal