Enseignement

Statistique, L3 CPES	Polycopié (version mise à jour 16/12/22) Transparents du premier cours. Projet facultatif: instructions, données. Une illustration numérique : estimateur des moments et du maximum de vraisemblance de θ de la loi uniforme sur [0,θ]. Annales : DST2 2022: sujet corrigé. DST1 2022: sujet corrigé. DST2 2021: sujet, corrigé. DST1 2021: sujet corrigé. Examen 2020: sujet, corrigé. Partiel 2020: sujet.

Analyse de données, M2 Statistique et Big Data

Partie 1 : Analyse en Composantes Principales. TP1. Pour les problèmes de chargement du package "rgl" sur Mac OS, installer X11 (voir la solution proposée ici). TP2, données. Autre illustration de l'ACP sur des données issues des réseaux sociaux : TP3, données. Données pour le mini-projet 1: données Partie 2 : Analyse Factorielle des Correspondances TP4, données. Partie 3 : introduction à la CAH et aux k-moyennes, application sur les données de température.

Apprentissage Statistique, M2 Ingénierie Statistique et Financière, parcours data
TD1 : introduction sujet, correction. TD2 : minimisation du risque empirique et inégalités de concentration sujet corrigé. TD3 : recouvrements, VC-dimension sujet corrigé.

Statistique non-paramétrique, M2 Ingénierie Statistique et Financière, parcours data
TP1: estimation à noyau de la densité sujet, correction. TP2: estimation de la fonction de régression sujet, correction. TP3: estimation en présence de censure sujet, correction. TP4: régression linéaire fonctionnelle sujet, correction.

Apprentissage Statistique, M1 Mathématiques et applications (2017-2021)
Chapitre 1 : introduction transparents du cours introductif, illustration numérique TD, correction du TD Chapitre 2 : pénalisations Ridge et Lasso TD, correction du TD TP. Chapitre 3 : Quelques approches non-linéaires en apprentissage supervisé TD, correction du TD TP. Chapitre 4 : Apprentissage non supervisé : introduction aux k-moyennes et à la CAH, classification mixte.

Séries temporelles, Executive Master Big Data (2018)

Séance 1 : introduction, représentations graphiques, tendance, saisonnalité, résidus. Notes de cours. Sujet de TP, fichier R Markdown, fichiers de données du TP (trend_statistique.csv, trend_BigData.csv) Séance 2: processus ARMA(p,q) Notes de cours, script R des illustrations du cours. Sujet de TP, fichier R Markdown. Séance 3: lissage exponentiel Notes de cours, script R des illustrations du cours. Sujet de TP, fichier R Markdown. Séance 4: processus SARIMA, prédiction, tests de stationnarité Notes de cours, script R des illustrations du cours. Sujet de TP, données, éléments de correction.