Accueil › Formations › Informatique › Intelligence Artificielle (IA) › Analyse de données avec Machine Learning et Deep Learning › Modélisation statistique - L'essentiel
Objectifs pédagogiques / Compétences visées
- Identifier les fondamentaux de l'analyse statistique appliquée
- Mettre en oeuvre une analyse des données statistiques descriptives et prévisionnelles
- Utiliser les formules et les tests statistiques fondamentaux
- Concevoir un rapport d'analyse basé sur les faits
- Exploiter les paramètres statistiques pour comprendre une série de données
- Décrire des outils comme R et Excel pour la mise en oeuvre des modèles étudiés
- Valider la précision d'une estimation, à l'aide des intervalles de confiance
- Prévoir les comportements à venir
- Vérifier l'adéquation à un modèle.
Niveau requis
Avoir des connaissances générales en mathématiques, analyse statistique et Excel.
Public concerné
Utilisateurs et gestionnaires métiers de bases de données, Data Scientists, ingénieurs, Data Analysts ou toute personne intéressée par l'analyse statistique appliquée.
Programme
Eléments de statistiques mathématiques
- Cardinalité et dénombrement
- Ensembles de probabilisés et variables aléatoires
- Séries statistiques, indicateurs de centralité et de dispersion
- Lois de distribution
- Probabilités conditionnelles : indépendance et théorème de Bayes
Exemples de travaux pratiques (à titre indicatif)
- Problèmes de dénombrement, génération d'une loi normale, tests médicaux
Théorèmes limites
- Loi des grands nombres
- Théorème central limite
- Intervalles de confiance
Exemple de travaux pratiques (à titre indicatif)
- Calcul d'intervalles de confiance sur des sondages
Inférence statistique : estimation des paramètres
- Distribution d'échantillonnage
- Fluctuation de la moyenne et limite centrale
- Fluctuation de la variance et de l'écart-type
- Estimation des paramètres
- Le maximum de vraisemblance
- Estimation ponctuelle d'un paramètre
- Espérance, variance, proportion
- Estimation par intervalle de confiance
Tests d'hypothèses
- Choix des hypothèses
- Les risques de première et seconde espèce
- Variable de décision et p-value, puissance d'un test
- Tests d'égalité d'une moyenne, d'une variance, d'une proportion
- Tests de comparaison entre deux populations
- Régression linéaire simple et test d'adéquation
- Test d'ajustement du khi²
- Test d'indépendance du khi²
Exemples de travaux pratiques (à titre indicatif)
- Réalisation de tests d'hypothèses dans les domaines du médical, de la vente et des sondages politiques
- Modéliser une tendance linéaire et valider son adéquation
Modalités d’évaluation des acquis
- En cours de formation, par des études de cas ou des travaux pratiques
- Et, en fin de formation, par un questionnaire d'auto-évaluation ou une certification (M2i ou éditeur)
