小瓢虫传媒

Enseignants

Segers Johan;

Langue
d'enseignement

贵谤补苍莽补颈蝉

笔谤茅补濒补产濒别蝉

Concepts et outils 茅quivalents 脿 ceux enseign茅s dans les UE

LSTAT2011	听El茅ments de math茅matique pour la statistique
LSTAT2014	听El茅ments de probabilit茅s et de statistique math茅matique

Th猫mes abord茅s

Acquis
d'apprentissage

A la fin de cette unit茅 d鈥檈nseignement, l鈥櫭﹖udiant est capable de :
1	A. Eu 茅gard au r茅f茅rentiel AA du programme de master en statistique, orientation g茅n茅rale, cette activit茅 contribue au d茅veloppement et 脿 l'acquisition des AA suivants, de mani猫re prioritaire : 1.1, 1.3, 2.2, 3.3 Eu 茅gard au r茅f茅rentiel AA du programme de master en statistique, orientation biostatistique, cette activit茅 contribue au d茅veloppement et 脿 l'acquisition des AA suivants, de mani猫re prioritaire : 1.1, 1.3, 2.2, 3.3 B. Objectifs g茅n茅raux: Pr茅senter les techniques modernes de l'analyse de grands ensemble de donn茅es et d茅velopper les outils de base du " data mining ". Objectifs sp茅cifiques: A l'issue de ce cours, les 茅tudiants doivent 锚tre capables de : - Traiter et d茅crire l'information contenue dans des grands ensemble de donn茅es ; - Comprendre les m茅canismes qui justifient l'emploi de telle ou telle m茅thode ; - Interpr茅ter correctement les graphiques et r茅sultats fournis par les logiciels ; - R茅soudre des probl猫mes avec donn茅es r茅elles.

Contenu

• Matrices de donn茅es
• Analyse en composantes principales
• Classification: moyennes mobiles et classification hi茅rarchique
• Analyse discriminante lin茅aire
• Analyse des correspondances simple et multiple
• R茅gression sur composantes principales
• R茅gression des moindres carr茅s partiels

Les m茅thodes sont r茅alis茅s dans le language R via le logiciel RStudio, et R Markdown est utilis茅 pour la r茅alisation de rapports comprenant 脿 la fois du texte, des d茅veloppements math茅matiques, du code R et les r茅sultats des analyses (tables, figures).

M茅thodes d'enseignement

Lors des cours magistraux, l'enseignant pr茅sente les diff茅rentes m茅thodes d'analyse, couvrant 脿 la fois leur champ d'application, la th茅orie math茅matique sous-jacante, et la programmation en R. Des devoirs sont donn茅s dont la solution est discut茅e lors des cours magistraux aussi.
Les TP se d茅roulent en salle informatique et servent surtout pour permettre aux 茅tudiants de s'entra卯ner 脿 l'application des m茅thodes d'analyse en R et sur des vrais jeux de donn茅es.

Modes d'茅valuation
des acquis des 茅tudiants

Examen (12/20):

• par 茅crit, 脿 livre ferm茅, 脿 l'aide d'un formulaire et d'une calculatrice
• exercices et questions de calcul, d'interpr茅tation de sortie de logiciel, et de compr茅hension des formules et des r茅sultats principaux

Evaluation continue - tests lors des cours magistraux:

• Test 1: Matrices de donn茅es et analyse en composantes principales
• Test 2: Classification et Analyse discriminante lin茅aire

Participation optionnelle. Au choix de l'茅tudiant, chaque test peut remplacer la partie de l'examen sur le m锚me sujet.
Evaluation continue - projet (8/20):

• seul ou en bin么me
• application des m茅thodes sur une base de donn茅e apport茅e par l'茅tudiant lui-m锚me
• rapport 茅crit, 脿 soumettre avant une ou plusieurs dates sp茅cifi茅es pendant le cours
• consignes d茅taill茅s lors des TP et sur la page MoodleUCL du cours

La participation au projet est obligatoire pour obtenir une note d'examen. Le projet peut 锚tre refait lors d'une deuxi猫me inscription 脿 l'examen.

Autres infos

笔谤茅补濒补产濒别蝉 :

• calcul vectoriel et matriciel
• g茅om茅trie euclidienne: points, espaces, orthogonalit茅, distances, angles
• notions de base en statistique: moyenne, (co)variance, corr茅lation, matrice de covariance, probabilit茅 conditionnelle, distribution normale, distribution khi-carr茅

Ressources
en ligne

Toutes les ressources n茅cessairs pour le cours sont fournies sur la page MoodleUCL du cours: les dias des cours magistraux et des TP, les script informatiques, les exercices. En plus, des liens vers des ressources 茅lectroniques externes sont fournis aussi: des cours en ligne, des vid茅os, de la documentation du logiciel utilis茅.

Bibliographie

• Escofier, B. et Pag猫s, J. (2016): Analyses factorielles simples et multiples, 5e 茅dition, Dunod, Paris.
• Lebart, L., Piron, M. et Morineau, A. (2006): Statistique exploratoire multidimensionnelle, 4e 茅dition, Dunod, Paris.
• Saporta, G. (2011): Probabilit茅s, analyse des donn茅es et statistique, 3e 茅dition r茅vis茅e, Editions TECHNIP, Paris.

Support de cours

• mat茅riel sur moodle

Facult茅 ou entit茅
en charge

LSBA