MAP433 - Statistiques (2023-2024)

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

This course has three objectives:

The first one is to introduce mathematical statistics tools and statistical learning ("machine learning"). We will describe everything from the choice of a statistical model, to parameter estimation, inference and model selection. We will learn how to build estimators, tests and classification rules, and how to evaluate the performance of these rules. We will introduce a number of theoretical tools - decision theory, empirical process.

The second objective is to describe, in the course and in small classes, concrete examples of modeling in various fields (signal and image processing, econometrics, environmental sciences, shape classification, etc.).

The third objective is to develop a well-founded practical savoir-faire enabling students to understand how theoretical tools can be implemented in concrete applications (use of R or Python).

The last two courses will be devoted to an introduction to statistical learning.

Evaluation: Written exam, two take-home assignments, two quizzes.