Cet enseignement a trois objectifs:
Le premier objectif est d'introduire les outils de statistique mathématique et d'apprentissage statistique ("machine learning"). Nous décrirons toutes depuis le choix d'un modèle statistique, l'estimation des paramètres et l'inférence et le choix de modèles. Nous apprendrons à construire des estimateurs, des tests, des règles de classification, à évaluer les performances de ces règles. Nous introduirons un certain nombre d'outils théoriques - théorie de la décision, processus empirique-.
Le deuxième objectif est de décrire, dans le cours et dans les petites classes, des exemples concrets de modélisation dans divers domaines (traitement du signal et des images, économétrie, sciences de l'environnement, classification de formes etc.).
Le troisième objectif est de développer un savoir-faire pratique fondé permettant de comprendre la façon dont les outils théoriques peuvent être mis en oeuvre dans des applications concrètes (utilisation de R ou de Python).
Les deux derniers cours seront consacrés à une introduction à l'apprentissage statistique.
Modalités d'évaluation : Contrôle de connaissances (écrit), deux DM, deux quizzes
- Responsable: Chennetier Guillaume
- Responsable: Dieuleveut Aymeric
- Responsable: Forghieri Orso
- Responsable: Gabrié Marylou
- Responsable: Gadat Sébastien
- Responsable: Gaucher Renaud
- Responsable: Lerasle Matthieu
- Responsable: Moulines Eric
- Responsable: Rakotomalala Matthias