Analyse statistique DescriptivePython Pour les donnéesRégression LinéaireTests StatistiquesACPAnalyse statistique bivariéeAnalyse statistique univariéeAnalyse graphique D’un jeu de donnéesAnalyse statistique multivariéeAnalyse statistique multivariéeAnalyse graphique D’un jeu de donnéesAnalyse statistique bivariéeDiagnostic RégressionTests statistiquesAnalyse statistique D’une suite de donnéesRégression LinéaireDiagnostic de la régressionRégression Linéaire simpleRégression Linéaire multipleTest statistiquesTest du Chi₂Test de studentConnaître la fonction de minimisation associée à l’ACPConnaître le théorème d'Eckart et YoungConnaître les domaines d’application de l’ACPConnaître les limites de l’ACPSavoir déterminer la matrice de projection au sens de l’ACPSavoir déterminer la projection des données sur un sous espace vectoriel au sens de l’ACPSavoir expliciter la transformation inverse pour reconstruire les donnéesSavoir interpréter le premier vecteur propre et plus grande valeur propre de la matrice de covarianceSavoir interpréter les valeurs propres en fonction de chaque axe factorielConnaître la définition de la distance du $\chi_2$Connaître la définition d’un tableau de contingenceConnaître les propriétés du coefficient de corrélationSavoir analyser un coefficient de corrélationSavoir mesurer la dépendance linéaire de deux variable en calculant le coefficient de corrélationÊtre capable de calculer les éléments d'un tableau de contingenceConnaitres les définitions mathématiques des statistiques de baseConnaître la définition d’un quantileEtre capable de calculer des statistiques basiques (moyenne, fréquence, médian, etc)Etre capable de choisir la bonne statistique par rapport aux caractéristique des donnéesSavoir 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 dimensionsConnaître les différents éléments qui constituent une boite à moustachesSavoir lire un histogrammeÊtre capable d’utiliser un résumé graphique adapté à la nature des donnéesSavoir identifier un jeu de données nécessitant une normalisationSavoir représenter un jeu de données sous forme matricielleÊtre capable d’analyser une matrice de covarianceSavoir calculer la variance correspondant à k premiers axes factorielsSavoir calculer une ACP en d dimensions sur un jeu de donnéesSavoir obtenir des informations d’une matrice de données (dimensions, donnée, variable)Être capable de calculer la décomposition valeurs/vecteurs propres d’une matriceÊtre capable de calculer la matrice de covariance d’un jeu de donnéesÊtre capable de calculer une projection au sens de l’ACPÊtre capable de reconstruire une image après ACPÊtre capable d’appliquer une normalisation standard des donnéesSavoir représenter une droite de régression graphiquementÊtre capable d’afficher un ensemble de nuage de points entre deux variablesÊtre capable d’afficher un histogramme d’une variable à une dimensionÊtre capable d’afficher une boite à moustaches par dimension d’un jeu de donnéesÊtre capable d’afficher une matrice avec colorbarÊtre capable d’afficher une somme cumulée sous forme de barresÊtre capable de calculer la distance du $\chi_2$ de deux variables qualitativesÊtre capable de calculer le coefficient de corrélation entre deux variables quantitativesÊtre capable de calculer un tableau de contingence de deux suites de donnéesAfficher un résumé du diagnostic de la régression et savoir l’analyserSavoir détecter des observations douteuses selon un critèreSavoir implémenter un algorithme itératif de sélection de variablesSavoir calculer une p-valeurÊtre capable de calculer une statistique avec scipyÊtre capable de mettre en œuvre un test de studentÊtre capable de calculer des statistiques basiques avec numpy/scipyÊtre capable de calculer des statistiques basiques en PythonÊtre 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 coupleComprendre la définition de l’effet levier d’une observationComprendre la définition du Cp de MallowsEtre capable de définir un algorithme de sélection de modèle donné un critère Savoir analyser les résidus de régressionSavoir calculer le R² en fonction de la décomposition de la varianceSavoir interpréter le R²Connaître la fonction objectif d’une régression linéaire au sens des moindres carrésConnaître les propriétés des résidusSavoir appliquer la méthode du gradient pour trouver les coefficients optimauxSavoir calculer un intervalle de prédiction de la régression linéaireSavoir définir un modèle linéaire simpleÊtre capable de calculer l’erreur de prédictionÊtre capable de modéliser la prédiction d’une nouvelle donnéeSavoir définir un modelé linéaire multipleSavoir retrouver l’expression de la prédiction d’une donnée x en fonction des coefficients optimauxSavoir retrouver l’expression des coefficients optimaux en fonction de X et ySavoir écrire la représentation matricielle du problème de régression au sens des moindres carrésConnaître les différences entre les deux types d’erreursSavoir conclure suite à un résultat du test statistiqueSavoir définir une hypothèse nulleSavoir interpréter une p-valeurÊtre capable de déterminer la statistique à utiliserConnaître les limites du test du chi2Etre capable d'appliquer un test du chi2 sur un tableau de contingenceSavoir calculer le nombre de degrés de liberté d’un test du chi2Savoir dans quel contexte utiliser un test du chi2Connaître les limites du test de studentSavoir calculer le nombre de degrés de liberté d’un test de studentSavoir dans quel contexte utiliser un test de student