• Période 2 au 27 octobre.
• Le programme: base de statistiques et introduction à l'apprentissage statistique couvrant
  1. les bases mathématiques des statistiques
  2. les problèmes de régression linéaire et non-linéaire
  3. outils mathématiques fondamentaux pour la data et l'IA (algèbre numérique computationnelle, optimisation convexe, optimisation stochastique)
  4. la maitrise des outils essentiels (en python) - visualisation des données, statisique exploratoire

Les livres de référence

1. Polycopié MAP 433
2. Linear Algebra and Optimization for ML - a textbook
3. Regression de Matzner

Liens vers documents pédagogiques.

• Période 1: du 2/10 au 11/10. Intervenant: Yazid Janati. Statistiques.
  • Distributions gaussiennes, Gamma, Chi carré, Student, distribution de Fisher.

*Rappel sur loi des grands nombres, Théorème limite. Le lemme de Slutsky et les méthodes delta. *Indépendance, Vecteurs gaussiens, Théorème de Cochran. * Modèle statistique, vraisemblance, modèles exponentiels, statistique, statistique suffisante, score, information de Fisher. * Estimateurs, estimateurs biaisés et non biaisés, Rao Blackwell, bornes de Cramer-Rao, efficacité. * Méthodes des moments, maximum de vraisemblance, divergence de Kullback-Leibler, M-estimateurs“, efficacité asymptotique * Intervalles de confiance, fonctions pivots, inégalité de Hoeffding. * Intervalles de confiance asymptotiques. Utilisation du lemme de Slutsky et de la méthode de Delta. * Définition des tests statistiques, erreurs de type I et II. * Différents tests statistiques dans le modèle gaussien.

• Période 2: du 12/10 au 20/10. Intervenant: Randal Douc. Régression et classification supervisée.
  • Algorithme EM, mélange de gaussiennes.
  • Régression linéaire simple,
  • Régression linéaire multiple,
  • Inférence dans le modèle linéaire gaussien.
  • Moindres carrés généralisées.
  • Régression logistique
  • Classification supervisée, risque bayésien.
  • Classifieurs de Bayes:
    • mélange de gaussiennes.
    • classification logistique.
    • K plus proches voisins

• Période 3: du 18/10 au 27/10. Intervenant: Laurent Risser. Optimisation.
  • Algorithme du gradient
  • SVM, RKHS.
  • Algorithmes de gradients, gradients projetés, proximal descent.
  • Classification non supervisée:
    • ACP; SVD
    • K-Means.

Contact local:

• Pr. Nicolas Cheimanoff, email
  • Directeur de l'EMINES - School of Industrial Management
  • Responsable de la Préparation Education Fellow UM6P
  • Université Mohammed VI Polytechnique. site de l'université