Apprentissage statistique en grande dimension

Code
STA217
Domaine
Modélisation ingénierie mathématiques &t statistique

Description

  1. Définition et enjeux de l’apprentissage statistique 
  2. Présentation des problématiques liées à la grande dimension 
  3. Méthodes statistiques pour la grande dimension
    1. Méthode non supervisées
      1. Analyse factorielle sparse
      2. Méthode de classification : Sparse Kmeans, Subspace clustering, Consensus de partitions
      3. Méthodes descriptives pour données multiblocs 
      4. ACP fonctionnelle 
      5. Classification de données fonctionnelles 
    2. Méthodes supervisées
      1. Méthodes de sélection de variables en grande dimension
      2. Méthodes de régularisation  
      3. Méthodes de classification supervisée
      4. Méthodes supervisées pour données multiblocs
      5. Méthodes de régression pour données fonctionnelles 
    3. Méthodes Clusterwise pour un grand nombre d’observations hétérogènes

 

Finalité

Maîtriser les méthodes d'apprentissage statistique pour l'analyse de données de grande dimension
 

Compétences visées

Maîtriser les méthodes d'apprentissage statistique pour l'analyse de données structurées ou non mettant en jeu un grand nombre de variables et/ou d'individus

Description des modalités d'évaluation

Un examen écrit  + un projet personnel sanctionneront la fin des cours.
Le projet personnel devra mettre en application les techniques décrites en cours. Il pourra faire l'objet d'un présentation orale

Public

Avoir le niveau des unités d'enseignement : STA201, STA211. Avoir de bonnes connaissances en calcul matriciel, probabilités et inférence statistique. 

Nombre d’ECTS
9
Durée en nombre d'heures
90.00
Type de notation
Notation chiffrée (sur 20)
Moyenne pour valider l'UE
10.00
Modalité(s) d'évaluation
Examen final
Projet(s)
Année de création
2025
Date de fin de validité
Déployabilité
Offre déployable dans le réseau en cas d'agrément
Examen national
Oui

Modalités et délais d'accès

Contactez-nous pour avoir plus d'informations concernant la formation qui vous intéresse.
En savoir plus sur nos modalités et délais d'accès

Équivalences, passerelles & suite de parcours

En savoir plus sur les équivalences, passerelles & suite de parcours

Financez votre formation
Tarifs et modes de financement
Statistiques
Accessibilité handicap
Bibliographie
  • Ramsay J.O. and Silverman B.W. : Functional Data Analysis. Second Edition (Springer Series in Statistics, 2005)
  • Ramsay J.O. and Silverman B.W. : Applied Functional Data Analysis (Springer, 2002)
  • Crainiceanu C.M., Goldsmith J., Leroux A. and Cui E. : Functional Data Analysis with R. (Chapman & Hall, 2024)
  • G.GOVAERT : Analyse des données ( Hermes,2003)
  • J.P.NAKACHE, J.CONFAIS : Statistique explicative appliquée (Technip, 2003)
  • G.SAPORTA : Probabilités, analyse des données, statistique 3ème édition (Technip,2011))
  • T.HASTIE, J.FRIEDMAN, F.TIBSHIRANI : The Elements of Statistical Learning (Springer 2009). Téléchargeable ici : https://www.sas.upenn.edu/~fdiebold/NoHesitations/BookAdvanced.pdf
  • James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. : An introduction to statistical learning: With applications in python. (Springer Nature 2023). Téléchargeable ici:https://www.statlearning.com/
  • James, G., Witten, D., Hastie, T., & Tibshirani, R. : An introduction to statistical learning: With applications in R. (Springer Nature 2021). Téléchargeable ici:https://www.statlearning.com/
  • Leskovec, J., Rajaraman, A., & Ullman, J. D. : Mining of massive data sets. (Cambridge university press 2020)
  • K.V. Mardia, J.T. Kent and J.M. Bibby : Multivariate Analysis, (Academic Press, 1979)
Diplômes dans lesquels apparaît cette UE
Blocs de compétences

Cette unité fait partie du/des bloc(s) de compétences suivant(s).

Contactez-nous au sujet de cette unité