AccueilRechercher par discipline

Analyse multivariée approfondie

Code UE : STA201-LIB

  • Cours
  • 9 crédits
  • Volume horaire de référence
    (+ ou - 10%) : 70 heures

Responsable(s)

Ndeye NIANG KEITA

Giorgio RUSSOLILLO

Public, conditions d’accès et prérequis

Etre inscrit en M2 du master Statistique MR123 (ancien MR085) ou du master Actuariat MR126000A (ancien MR088) ou être agréé (niveau requis STA101 et STA102) .
 Pour obtenir l'agrément, les auditeurs adresseront par courrier électronique à l'enseignant responsable, Mme Niang (ndeye.niang_keita@cnam.fr ) un CV détaillé et une lettre de motivation indiquant les raisons de la demande et le projet pédagogique dans lequel elle s'inscrit.

L'avis des auditeurs

Les dernières réponses à l'enquête d'appréciation pour cet enseignement :

Présence et réussite aux examens

Pour l'année universitaire 2020-2021 :

  • Nombre d'inscrits : 93
  • Taux de présence à l'évaluation : 65%
  • Taux de réussite à l'évaluation : 77%

Objectifs pédagogiques

Approfondir les méthodes statistiques d'analyse exploratoire, de régression et de classification

Mots-clés

Méthodes d’analyse exploratoire et confirmatoire :
  • Analyse factorielle exploratoire et confirmatoire
  • Codage optimal
  • Positionnement Multidimensionnel
  • Classification non supervisée et modèles de mélanges
Méthodes prédictives :
Méthodes de régression
  • Estimation des paramètres par ré-échantillonnage (Bootstrap, Jackknife)
  • Multicolinéarité et stabilité des estimations
  • Complexité du modèle, trade-off biais-variance et précision des prédictions
  • Méthodes de sélection des variables (Best subset regression, méthodes pas à pas)
  • Méthodes de régularisation par composantes : Régression sur Composantes Principales, Régression PLS
  • Méthodes de régularisation par contraintes : Régression Ridge, LASSO, Elastic Net
  • Sélection de modèle par procédures d'apprentissage statistique
  • Régression robuste
  • Régression non paramétrique
Méthodes de classification supervisée
  • Régression logistique binaire
  • Régression Logistique multinomiale et ordinale
  • Analyse factorielle discriminante
  • Discrimination sur variables qualitatives
  • Analyse discriminante probabiliste Linéaire et Quadratique
  • Approche non paramétrique : Méthode des noyaux, Méthode des k plus proches voisins
Traitement des données manquantes
 

La validation repose sur la réalisation d'une note de lecture d'articles scientifiques ou l'étude d'un jeu de données en utilisant les méthodes vues en cours.

  • G.GOVAERT : Analyse des données ( Hermes,2003)
  • M.BARDOS : Analyse discriminante (Dunod,2001)
  • J.P.NAKACHE, J.CONFAIS : Statistique explicative appliquée (Technip, 2003)
  • G.SAPORTA : Probabilités, analyse des données, statistique 3ème édition (Technip,2010)
  • S.TUFFERY : Data mining et statistique décisionnelle, 3ème édition (Technip, 2010)
  • T.HASTIE, J.FRIEDMAN, F.TIBSHIRANI : The Elements of Statistical Learning (Springer 2009). Téléchargeable ici : http://www-stat.stanford.edu/~tibs/ElemStatLearn/download.html
  • K.V. Mardia, J.T. Kent and J.M. Bibby : Multivariate Analysis, Academic Press, 1979

Cette UE apparaît dans les diplômes et certificats suivants

Contact

EPN06 Mathématiques et statistiques
2 rue conté Accès 35 3 ème étage porte 19
75003 Paris
Sabine Glodkowski
Voir le site

Centre(s) d'enseignement proposant cette formation

  • Liban
    • Année 2023 / 2024 : Présentiel soir ou samedi