Analyse statistique Descriptive
Python Pour les données
Régression Linéaire
Tests Statistiques
ACP
Analyse statistique bivariée
Analyse statistique univariée
Analyse graphique D’un jeu de données
Analyse statistique multivariée
Analyse statistique multivariée
Analyse graphique D’un jeu de données
Analyse statistique bivariée
Diagnostic Régression
Tests statistiques
Analyse statistique D’une suite de données
Régression Linéaire
Diagnostic de la régression
Régression Linéaire simple
Régression Linéaire multiple
Test statistiques
Test du Chi₂
Test de student
Connaître la fonction de minimisation associée à l’ACP
Connaître le théorème d'Eckart et Young
Connaître les domaines d’application de l’ACP
Connaître les limites de l’ACP
Savoir déterminer la matrice de projection au sens de l’ACP
Savoir déterminer la projection des données sur un sous espace vectoriel au sens de l’ACP
Savoir expliciter la transformation inverse pour reconstruire les données
Savoir interpréter le premier vecteur propre et plus grande valeur propre de la matrice de covariance
Savoir interpréter les valeurs propres en fonction de chaque axe factoriel
Connaître la définition de la distance du $\chi_2$
Connaître la définition d’un tableau de contingence
Connaître les propriétés du coefficient de corrélation
Savoir analyser un coefficient de corrélation
Savoir mesurer la dépendance linéaire de deux variable en calculant le coefficient de corrélation
Être capable de calculer les éléments d'un tableau de contingence
Connaitres les définitions mathématiques des statistiques de base
Connaître la définition d’un quantile
Etre capable de calculer des statistiques basiques (moyenne, fréquence, médian, etc)
Etre capable de choisir la bonne statistique par rapport aux caractéristique des données
Savoir identifier les caractéristiques d’une variable (qualitative /quantitative, continue/discrete, domaine, modalités, etc)
Être capable de retrouver le nombre d’exemples d’un jeu de données et leur dimensions
Connaître les différents éléments qui constituent une boite à moustaches
Savoir lire un histogramme
Être capable d’utiliser un résumé graphique adapté à la nature des données
Savoir identifier un jeu de données nécessitant une normalisation
Savoir représenter un jeu de données sous forme matricielle
Être capable d’analyser une matrice de covariance
Savoir calculer la variance correspondant à k premiers axes factoriels
Savoir calculer une ACP en d dimensions sur un jeu de données
Savoir obtenir des informations d’une matrice de données (dimensions, donnée, variable)
Être capable de calculer la décomposition valeurs/vecteurs propres d’une matrice
Être capable de calculer la matrice de covariance d’un jeu de données
Être capable de calculer une projection au sens de l’ACP
Être capable de reconstruire une image après ACP
Être capable d’appliquer une normalisation standard des données
Savoir représenter une droite de régression graphiquement
Être capable d’afficher un ensemble de nuage de points entre deux variables
Être capable d’afficher un histogramme d’une variable à une dimension
Être capable d’afficher une boite à moustaches par dimension d’un jeu de données
Être capable d’afficher une matrice avec colorbar
Être capable d’afficher une somme cumulée sous forme de barres
Être capable de calculer la distance du $\chi_2$ de deux variables qualitatives
Être capable de calculer le coefficient de corrélation entre deux variables quantitatives
Être capable de calculer un tableau de contingence de deux suites de données
Afficher un résumé du diagnostic de la régression et savoir l’analyser
Savoir détecter des observations douteuses selon un critère
Savoir implémenter un algorithme itératif de sélection de variables
Savoir calculer une p-valeur
Être capable de calculer une statistique avec scipy
Être capable de mettre en œuvre un test de student
Être capable de calculer des statistiques basiques avec numpy/scipy
Être capable de calculer des statistiques basiques en Python
Être capable de calculer les coefficients optimaux de la régression linéaire (avec scikit-learn)
Être capable de calculer les coefficients optimaux de la régression linéaire (avec numpy)
Comprendre la définition de la contribution d’un couple
Comprendre la définition de l’effet levier d’une observation
Comprendre la définition du Cp de Mallows
Etre capable de définir un algorithme de sélection de modèle donné un critère
Savoir analyser les résidus de régression
Savoir calculer le R² en fonction de la décomposition de la variance
Savoir interpréter le R²
Connaître la fonction objectif d’une régression linéaire au sens des moindres carrés
Connaître les propriétés des résidus
Savoir appliquer la méthode du gradient pour trouver les coefficients optimaux
Savoir calculer un intervalle de prédiction de la régression linéaire
Savoir définir un modèle linéaire simple
Être capable de calculer l’erreur de prédiction
Être capable de modéliser la prédiction d’une nouvelle donnée
Savoir définir un modelé linéaire multiple
Savoir retrouver l’expression de la prédiction d’une donnée x en fonction des coefficients optimaux
Savoir retrouver l’expression des coefficients optimaux en fonction de X et y
Savoir écrire la représentation matricielle du problème de régression au sens des moindres carrés
Connaître les différences entre les deux types d’erreurs
Savoir conclure suite à un résultat du test statistique
Savoir définir une hypothèse nulle
Savoir interpréter une p-valeur
Être capable de déterminer la statistique à utiliser
Connaître les limites du test du chi2
Etre capable d'appliquer un test du chi2 sur un tableau de contingence
Savoir calculer le nombre de degrés de liberté d’un test du chi2
Savoir dans quel contexte utiliser un test du chi2
Connaître les limites du test de student
Savoir calculer le nombre de degrés de liberté d’un test de student
Savoir dans quel contexte utiliser un test de student
plotly-logomark