Analyse multivariée et introduction aux logiciels statistiques
- Code de l'UE SMATM102
-
Horaire
30 30Quadri 1 + Quadri 2
- Crédits ECTS 6
- Langue
- Professeur Van Bever Germain
Des notions de base en statistique (descriptive et inférentielle) sont requises. Au terme du cours, l'étudiant.e pourra développer théoriquement et appliquer de nombreuses méthodes classiques de l'analyse de données multivariées. Il.elle sera formé.e à l'utilisation de deux logiciels et pourra choisir les méthodes les plus appropriées pour répondre à des problèmes statistiques.
L'objectif du cours est de donner des outils mathématiques pour analyser statistiquement des données multivariées. Au terme du cours, l'étudiant.e devra être capable (i) de montrer la rigueur nécessaire dans la compréhension des nombreux résultats théoriques du cours et dans le développement des méthodes introduites, et (ii) de correctement choisir les outils adéquats en fonction des données présentées. De plus, il.elle devra être capable d'expliquer et d'utiliser ces outils par l'intermédiaire de logiciels statistiques.
Le cours comporte une introduction à l'analyse des données. Le cours théorique sera accompagné de slides contenant les définitions, les résultats (et leurs preuves) du cours. Différentes méthodes d'analyse statistique multivariée sont abordées, de façon théorique et pratique et différents logiciels seront explorés (TP sur ordinateur)
Chapitre 1: Vecteurs aléatoires
Chapitre 2: Loi normale multivariée
Chapitre 3: Inférence dans les modèles gaussiens
Chapitre 4: Analyse en composantes principales
Chapitre 5: Classification
Chapitre 6: Analyse de la variance
Chapitre 7: Autres méthodes d'analyse de données
Utilisation des méthodes vues au cours au travers de deux logiciels statistiques ou mathématiques : R et Matlab
Le cours est un cours magistral, accompagné de travaux pratiques en salle informatique (utilisation de logiciels statistiques), ainsi que d'un projet personnel d'analyse de données statistiques réelles ou simulées. Des capsules vidéos complètent l'apprentissage.
Des séances d'exercices permettront aux étudiants d'appliquer les méthodes vues au cours théorique.
Le travail personnel compte pour la moitié des points de l'examen. Un examen oral, individuel constitue la seconde moitié des points. La note finale est la moyenne arithmétique de ces deux notes si celles-ci sont toutes deux supérieures ou égales à 10, le minimum sinon.
Des notes de cours seront mises en ligne sur Webcampus. Celles-ci contiendront les slides utilisés au cours ainsi que les vidéos associés à ceux-ci.
Formation | Programme d’études | Bloc | Crédits | Obligatoire |
---|---|---|---|---|
Master 120 en sciences mathématiques, à finalité spécialisée en data science | Standard | 0 | 6 | |
Master 120 en sciences mathématiques, à finalité spécialisée en Project Engineering | Standard | 0 | 6 | |
Master 60 en sciences mathématiques | Standard | 0 | 6 | |
Master 120 en sciences mathématiques, à finalité didactique | Standard | 0 | 6 | |
Master 120 en sciences mathématiques, à finalité approfondie | Standard | 0 | 6 | |
Master 120 en sciences mathématiques, à finalité spécialisée en Project Engineering | Standard | 1 | 6 | |
Master 60 en sciences mathématiques | Standard | 1 | 6 | |
Master 120 en sciences mathématiques, à finalité didactique | Standard | 1 | 6 | |
Master 120 en sciences mathématiques, à finalité approfondie | Standard | 1 | 6 | |
Master 120 en sciences mathématiques, à finalité spécialisée en data science | Standard | 1 | 6 |