This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
maroc [2023/05/16 18:56] rdouc [Période] |
maroc [2024/06/03 14:24] rdouc [Période] |
||
---|---|---|---|
Line 6: | Line 6: | ||
- | * **Période** 2 au 27 octobre. | + | * **Période** 30 au 25 octobre 2024. |
* Le programme: base de statistiques et introduction à l'apprentissage statistique couvrant | * Le programme: base de statistiques et introduction à l'apprentissage statistique couvrant | ||
- les bases mathématiques des statistiques | - les bases mathématiques des statistiques | ||
Line 19: | Line 19: | ||
- Linear Algebra and Optimization for ML - a textbook | - Linear Algebra and Optimization for ML - a textbook | ||
- Regression de Matzner | - Regression de Matzner | ||
- | [[https://temtsp-my.sharepoint.com/:f:/g/personal/randal_douc_telecom-sudparis_eu/EtsbQHsQZhVGsmUfViD8DaYBLMdouaj4rbFeHEB84hNinA?e=l1saI0|Liens vers documents pédagogiques.]] | + | [[https://temtsp-my.sharepoint.com/:f:/g/personal/randal_douc_telecom-sudparis_eu/EtsbQHsQZhVGsmUfViD8DaYBB5AsMjbgGvq-rJToiMKdkg?e=hgcZjh|Liens vers documents pédagogiques.]] |
===== Période ===== | ===== Période ===== | ||
- | * **Période 1**: du 2/10 au 11/10. //Intervenant//: Yazid Janati. Statistiques. | + | * **Période 1**: du 30/09 au 04/10 puis que 07/10 au 09/10. //Intervenant//: **Thomas Belhalfaoui**. Statistiques. |
- | * Gaussian distributions, Gamma, Chi square, Student, Fisher distribution. | + | * Distributions gaussiennes, Gamma, Chi carré, Student, distribution de Fisher. |
- | * Recap on LLN, CLT. Slutsky's lemma and delta methods. | + | * Rappel sur loi des grands nombres, Théorème limite. Le lemme de Slutsky et les méthodes delta. |
- | * Independence and Gaussian vectors. The Cochran Theorem. | + | * Indépendance, Vecteurs gaussiens, Théorème de Cochran. |
- | * Statistical model, likelihood, exponential models, statistic, sufficient statistic, score, Fisher information. | + | * Modèle statistique, vraisemblance, modèles exponentiels, statistique, statistique suffisante, score, information de Fisher. |
- | * Estimators, biased-unbiased estimators, Rao Blackwell, Cramer-Rao bounds. | + | * Estimateurs, estimateurs biaisés et non biaisés, Rao Blackwell, bornes de Cramer-Rao, efficacité. |
- | * methods of moments, maximum likelihood, Kullback-Leibler divergence, M-estimators." | + | * Méthodes des moments, maximum de vraisemblance, divergence de Kullback-Leibler, M-estimateurs", efficacité asymptotique |
- | * Confidence intervals, pivotal functions, Hoeffding's inequality. | + | * Intervalles de confiance, fonctions pivots, inégalité de Hoeffding. |
- | * Asymptotic confidence intervals. Use of Slutsky's lemma and of Delta's method. | + | * Intervalles de confiance asymptotiques. Utilisation du lemme de Slutsky et de la méthode Delta. |
- | * definition of statistical tests, type I and II errors. | + | * Définition des tests statistiques, erreurs de type I et II. |
- | * Different statistical tests in the Gaussian case. | + | * Différents tests statistiques dans le modèle gaussien. |
+ | * **Période 2**: du 10/10 au 11/10 puis du 14/10 au 18/10. //Intervenant//: **Randal Douc**. Régression et classification supervisée. | ||
+ | * Régression: | ||
+ | * Régression linéaire simple, | ||
+ | * Régression linéaire multiple, | ||
+ | * Diagnostic de modèle. | ||
+ | * Inférence dans le modèle linéaire gaussien. | ||
+ | * Sélection de variables. | ||
+ | * Ridge, Lasso, Elastic-Net. | ||
+ | * Validation croisée. | ||
+ | * Classification supervisée: | ||
+ | * Classifieur optimal de Bayes. | ||
+ | * Algorithme EM, mélange de gaussiennes. | ||
+ | * Régression logistique bi-classe. | ||
+ | * Boosting, forêts aléatoires. | ||
- | * **Période 2**: du 12/10 au 20/10. //Intervenant//: Randal Douc. Régression et classification supervisée. | + | * **Période 3**: du 21/10 au 25/10. //Intervenant//: **Laurent Risser**. Optimisation. |
- | * Régression linéaire simple, | + | * Bases de l'optimisation (optimisation multivarié) |
- | * Régression linéaire multiple, | + | * Minimisation de fonctions convexe (caractérisation variationnelle des points extrêmaux) |
- | * Inférence dans le modèle linéaire gaussien. | + | * Méthodes proximales. |
- | * Moindres carrés généralisées | + | * Gradient stochastique (et analyse de convergence pour un coût convexe) |
- | * Classification supervisée, risque bayésien. | + | * Calcul des gradients (différentier par rapport à un vecteur) |
- | * Parametric et semi paramétric classifieurs de Bayes: | + | * Régression logistique et extension multi-classes. |
- | * mélange de gaussiennes. | + | * Optimisation non douce (algorithme du sous-gradient) |
- | * Régression logistique | + | * Machines à vecteurs de support (hinge loss) |
- | + | ||
- | + | ||
- | + | ||
- | * **Période 3**: du 18/10 au 27/10. //Intervenant//: Laurent Risser. Suite et fin Optimisation. | + | |
- | * SVM. | + | |
- | * Algorithmes de gradients, gradients projetés, proximal descent. | + | |
* Classification non supervisée: | * Classification non supervisée: | ||
* ACP; SVD | * ACP; SVD | ||
Line 57: | Line 65: | ||
Contact local: | Contact local: | ||
* Pr. Nicolas Cheimanoff, [[[email protected]|email]] | * Pr. Nicolas Cheimanoff, [[[email protected]|email]] | ||
- | * Directeur de l'EMINES - School of Industrial Management | + | * Directeur de l'EMINES - School of Industrial Management [[https://www.emines-ingenieur.org/|site de l'emines]] |
* Responsable de la Préparation Education Fellow UM6P | * Responsable de la Préparation Education Fellow UM6P | ||
* Université Mohammed VI Polytechnique. [[https://www.um6p.ma/|site de l'université]] | * Université Mohammed VI Polytechnique. [[https://www.um6p.ma/|site de l'université]] | ||