Cours

EE-209: Eléments de statistiques pour les data sciences

Résumé

Théorie de l'estimation: estimateurs du maximum de vraisemblance, information de Fisher, inégalité de Cramer-Rao, intervalles de confiance.

Tests d'hypothèses: cadre de Neyman-Pearson: test du rapport de vraisemblance, tests paramétriques et non-parmétrique.

Inférence bayésienne

Modèles linéaires

Séances de cours

Enseignant·e

Philippe Müllhaupt

Expertise Commande non linéaireThéorie de la commandeMécanique généraleSystèmes dynamiquesStatistique Mission Offrir une formation technique et scientifique rigoureuse en commande non linéaire, en mécanique classique et en théorie statistique Travail en cours Chercheur et enseignant dans les domaines de l'automatique, la statistique, les systèmes dyanmiques et la mécanique classique. E MSc. et BSc. en génie électrique (EPFL, 1993) DEA en Automatique et Traitement du Signal (Paris VI, 1994) PhD en Automa

Source officielle

https://edu.epfl.ch/coursebook/fr/elements-de-statistiques-pour-les-data-sciences-EE-209

Page Moodle

http://go.epfl.ch/EE-209

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Résumé

Théorie de l'estimation: estimateurs du maximum de vraisemblance, information de Fisher, inégalité de Cramer-Rao, intervalles de confiance.

Tests d'hypothèses: cadre de Neyman-Pearson: test du rapport de vraisemblance, tests paramétriques et non-parmétrique.

Inférence bayésienne

Modèles linéaires

Séances de cours

Enseignant·e

Philippe Müllhaupt

Source officielle

https://edu.epfl.ch/coursebook/fr/elements-de-statistiques-pour-les-data-sciences-EE-209

Page Moodle

http://go.epfl.ch/EE-209

À propos de ce résultat

Séances de ce cours (24)

Introduction aux variables aléatoires continues : distributions de probabilité

Introduit des variables aléatoires continues et leurs distributions de probabilité, en mettant l'accent sur leurs applications en statistique et en science des données.

Statistiques pour la science des données: introduction aux méthodes statistiques

Couvre les concepts fondamentaux de la statistique et leur application dans la science des données.

Essais randomisés et Paradoxe de Simpson

Couvre les essais cliniques randomisés, les variables confusionnelles, les défis éthiques et le paradoxe de Simpson dans l'analyse des données.

Paradoxe de Simpson : Compréhension et essais randomisés

Explore le Paradox de Simpson avec un exemple réel et souligne l'importance des essais randomisés.

Modèle et propriétés sous condition gaussienne

Explore le modèle conditionnel gaussien pour la régression linéaire et les propriétés des données gaussiennes, illustré par l'exemple de comparaison du traitement par pierre rénale.

Afficher plus

Cours associés (32)

PHYS-467: Machine learning for physicists

Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practised. ...

MICRO-110: Probability & statistics for engineers

This course covers the basics of probability and statistical techniques for engineers, including major probability concepts, data analysis, and statistical inference.

EE-556: Mathematics of data: from theory to computation

This course provides an overview of key advances in continuous optimization and statistical analysis for machine learning. We review recent learning formulations and models as well as their guarantees

EE-411: Fundamentals of inference and learning

This is an introductory course in the theory of statistics, inference, and machine learning, with an emphasis on theoretical understanding & practical exercises. The course will combine, and alternate, between mathematical theoretical foundations and prac ...

EE-566: Adaptation and learning

In this course, students learn to design and master algorithms and core concepts related to inference and learning from data and the foundations of adaptation and learning theories with applications.

Afficher plus