Statistique et Science des Données (SSD)

La première partie de ce cours concerne des compléments de théorie des probabilités : espérance conditionnelle, vecteurs gaussiens. La deuxième partie présente une des principales familles de processus stochastiques en temps discret les chaînes de Markov. Il s'agit de suites de variables aléatoires dépendantes, dont la relation de dépendance est relativement simple puisque chaque variable ne dépend que de la précédente. Il s'agit également d'un outil de modélisation très puissant. On étudiera les principales propriétés de ces processus, ainsi que leur comportement en temps long et l'estimation de leurs paramètres.

Voir la page complète

Voir la page complète

Les données statistiques ne cessent de devenir plus massives. Préalablement à leur modélisation, il est indispensable de les explorer et d'en réduire la dimension en perdant le moins d'information possible. Tel est l'objectif de ce cours de statistique exploratoire multidimensionnelle. Sur le plan méthodologique, les outils qu'il utilise sont essentiellement ceux de la géométrie euclidienne. Les problèmes et notions statistiques y seront donc traduits dans le langage de la géométrie euclidienne avant d'être traités dans ce cadre. Les deux familles de méthodes exploratoires qui seront vues dans ce cours sont:

1) les méthodes de classification automatique, qui regroupent les observations en classes et réduisent leur disparité des observations à la disparité entre ces classes;

2) les méthodes d'analyse en composantes, qui recherchent les directions principales de disparité entre les observations et permettent de fournir de cette disparité des images interprétables en dimension réduite.

Voir la page complète

Ce cours est la continuation du cours d'optimisation du second semestre de L3.

Après un rappel des résultats et méthodes numérique pour les problèmes d'optimisation d’ordre un et deux, sans contrainte et sous contraintes d’égalité et d’inégalité, le cours s’intéresse aux questions aujourd’hui d’intérêt en optimisation industrielles, et en particulier, l’optimisation robuste, multicritère, en présence d’incertitudes.

Le cours illustre ensuite la place de l’optimisation dans les principaux algorithmes d'apprentissage mathématique (machine learning). Ces questions sont illustrées par des exemples de problèmes de classification et de régression en apprentissage supervisé. Ces exemples sont l'occasion de discuter des questions de métriques et de procédures pour l'évaluation de l'apprentissage, de la validation et de l'inférence (crossfold, overfitting, etc).

Le cours présente les différentes classes d'apprentissage : non-supervisé, supervisé, par transfert, par renforcement, incrémental, etc.

Les questions autour de la gestion des bases de données sont abordées : génération, imputation, visualisation, découpage.

Le cours présente les liens entre l'apprentissage mathématique par transfert (transfer learning) et la simulation numérique pour adresser les questions de génération de bases de données synthétiques, d'imputation, de prédiction non-intrusive, d'inférence rapide, etc.

Le cours comporte une partie importante de projets informatiques au fil de l'eau. Toutes les séances ont lieu en environnement informatisé et permettent une mise en œuvre immédiate des éléments théoriques.

Voir la page complète

Ce cours est axé sur la découverte des bonnes pratiques de codage pour un niveau professionnel.
Le langage utilisé est Python, mais certains éléments de bash et de git seront également utiles.
Un accent particulier sera mis sur le traitement et la visualisation des données au cœur du cours.
Nous nous concentrerons principalement sur les concepts de base de la programmation, ainsi que sur la découverte des bibliothèques scientifiques de Python, dont "numpy, scipy, pandas, matplotlib, seaborn".
Au-delà des connaissances de ces packages fondamentaux, nous introduirons des pratiques modernes pour le code : tests (unitaires), contrôle de version (git), génération de documentation automatique, etc.

Voir la page complète

L'importance de la science statistique dans le processus de découverte scientifique et d'avancée industrielle est qu'elle permet la formulation d'inférences concernant des phénomènes d'intérêt auxquels on peut associer des risques d'erreur ou des degrés de confiance. Le calcul de ces risques d'erreur s'appuie sur la théorie des probabilités, mais les principes et des méthodes permettant d'associer ces risques aux inférences constituent un corpus théorique qui sert de base à l'ensemble des méthodologies statistiques.
 
Ce module se veut une présentation assez complète de ces principes de base et des outils, résultats et théorèmes mathématiques utilisés en statistique inférentielle. On y développe les notions d'estimation ponctuelle et par intervalle, de tests d'hypothèses et des concepts fondamentaux comme les familles exponentielles et le principe du maximum de vraisemblance et l'usage de la p-value.
Pour la mise en œuvre de certaines applications, on présentera les outils adaptés du logiciel R.

Voir la page complète

La modélisation statistique est fondée sur les deux notions fondamentales d'information (qu'il s'agit d'extraire des données) et de décision (qu'il s'agit de prendre au vu de ces données). Ce cours introduit à la formalisation théorique de ces deux notions. Il est donc logiquement placé en début de cursus, beaucoup d'autres cours utilisant ses notions et résultats par la suite.

Voir la page complète

Ce cours constitue une introduction au contrôle stochastique. Dans ce type de
problèmes, on cherche à modifier la trajectoire naturelle d’un processus pour remplir un certain
objectif. Nous nous placerons dans le cadre des processus de Markov décisionnels à temps discret où on peut
choisir une action à chaque pas de temps. Nous verrons comment formaliser les problèmes de contrôle stochastique dans ce cadre, et comment les résoudre théoriquement et numériquement.

Voir la page complète

Ce cours d'introduction aux séries temporelles, c'est-à-dire une suite d'observations réalisées au cours du temps, constitue une boîte à outils indispensable pour le traitement de ce type de données fréquemment rencontrées dans un grand nombre d'application : concentration d'un polluant dans l'air au cours du temps, taux de glucose dans le sang au cours du temps, ventes d'un produit dans une grande surface, cours d'une action à la bourse, etc. Ce cours s'attache à la fois à la présentation mathématique des concepts et aux aspects plus techniques de la mise en œuvre des méthodes. Les illustrations numériques sont proposées avec le logiciel R.

Voir la page complète

Les méthodes non-paramétriques sont importantes dans de nombreuses applications statistiques car elles permettent de s’affranchir des approches classiques qui demandent la spécification de modèles statistiques valides. Or établir la validité d’un tel modèle est une entreprise complexe. 

Les méthodes non-paramétriques contournent ce problème en utilisant la transformation des données en rang et en conditionnant sur certains quantités issues de la configuration observée de ces rangs. Les statistiques ainsi construites sont indépendantes de la loi des données brutes ce qui permet de construire des procédures d’inférence statistique libre du modèle sous-jacent aux données. En outre, la perte d’efficience statistique est minime.
 
Ce cours constitue une présentation assez complète des méthodes non-paramétriques. Il s’inscrit dans le prolongement d’un premier cours d’introduction aux méthodes inférentielles paramétriques, en adaptant et développant la théorie de plusieurs concepts avancés comme les tests conditionnels, la puissance comparée des tests (mesures d’efficacité), la notion de « effect size ». Il met l’accent sur l’application pratique de ces méthodologies en faisant un tour d’horizon des principales commandes R et de leurs utilisations.

Voir la page complète

Le modèle linéaire est un outil à la fois simple et très riche, qui est à la base de nombreuses méthodes statistiques. Sa maîtrise et sa bonne compréhension sont très utiles à la fois d'un point de vue pratique, pour analyser de manière fine certains jeux de données, et d'un point de vue conceptuel, pour comprendre les bases théoriques des méthodes d'apprentissages plus avancées, y compris actuelles.
 
Ce cours propose une introduction au modèle linéaire de régression simple et multiple, avec des variables quantitatives ou qualitatives. Il présente la dérivation formelle et l'étude théorique des estimateurs des moindres carrés et du maximum de vraisemblance dans le cas gaussien. Il donne également des outils de validation et de sélection de variables pour étudier les limites du modèle. Enfin, il introduit l'utilisation pratique de cet outil sur des jeux de données simples grâce au logiciel R.

Voir la page complète

Projets tutorés réalisés en groupe sous la direction d’un·e enseignant-e.

Voir la page complète

Cours TD d’anglais, à l’intention des étudiantes et des étudiants de la filière « M1 Statistique et sciences des données » et qui visent l’autonomie professionnelle en langue anglaise.

Voir la page complète

Voir la page complète

Voir la page complète

Ce cours introduit à la modélisation mathématique du comportement d'acteurs cherchant à optimiser un objectif individuel en situation concurrentielle.

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Voir la page complète

Il s’agira de comprendre la nature des interrelations entre les économies et d’analyser les conditions d’efficacité des politiques économiques en économie ouverte avec prise en compte de la nature du régime de change d’une part et du degré d’ouverture des capitaux d’autre part.

Dans cette perspective, la balance des paiements sera présentée et analysée ; les questions de compétitivité et d’attractivité des économies seront discutées.

Il s’agira également d’appréhender les impacts de la libéralisation financière sur la volatilité des changes et les possibilités qui s’offrent à différents types d’acteurs économiques pour se couvrir contre le risque de change.

Enfin, les notions de crise seront présentées (financière, de change). L’endogénéité des crises sera mise en avant avec une analyse des deux dernières crises : la crise financière de 2008 d’une part et la crise sanitaire d’autre part.

Voir la page complète

Ce cours de programmation R s’adresse aux étudiants qui auront dans leur pratique professionnelle de connaître un langage de programmation pour faire du traitement avancé de données. Il s'agit donc d'apprendre à structurer, commenter et débugger proprement un code. Ce cours s'adresse à la fois aux étudiantes et étudiants du M1 SSD et du M1 Bio-Info. Il n'est pas destiné à utiliser les packages comme boîtes noires pour la mise en œuvre de méthodes statistiques.

Voir la page complète

Ce cours présente quelques unes des méthodes classiques et modernes pour la construction d'estimateurs non-paramétriques de la densité ou de la régression. Des aspects tout à la fois théoriques et pratiques y sont abordés

Voir la page complète

Ce cours introduit le cadre général des modèles linéaires où l'on cherche à exprimer une variable réponse en fonction d'une combinaison linéaire de prédicteurs. En faisant l'hypothèse à la fois une relation spécifique entre la réponse moyenne et les prédicteurs (fonction de lien), ainsi qu’une distribution spécifique de la variation aléatoire de la réponse autour de sa moyenne, il est possible de représenter des données binaires (ex.: présence/absence, mortalité/survie) ou de comptage (ex.: nombre d’individus, nombre d’espèces). Grâce à ce cadre général, on peut alors modéliser des variables non-normalement distribuées. L'utilisation et l'interprétation des modèles de régression logistique, binomiale et de Poisson seront en particulier détaillés.

Voir la page complète

Cours TD d’anglais, à l’intention des étudiantes et étudiants de la filière « M2 Statisique et sciences des données » et qui visent l’autonomie professionnelle en langue anglaise.

Voir la page complète

Voir la page complète

Ce cours propose une introduction à la statistique bayésienne  paramétrique. Après la présentation du paradigme bayésien les cas des estimations ponctuelles et ensemblistes seront considérés puis la méthodologie de choix bayésien de modèles sera abordée. Les modèles binomiaux, gaussiens et linéaires serviront d'illustration pour les thèmes précédents.

Pour les modèles complexes, les problématiques d'estimation et de sélection de modèle dans le contexte bayésien nécessitent le recours à des outils évolués d'approximation d'intégrales. Aussi, la deuxième partie du cours sera centrée sur les méthodes de Monte Carlo et les algorithmes de Monte Carlo par Chaînes de Markov.

Voir la page complète

La taille des données statistique ne cesse de croître, et notamment la richesse de la description des unités statistiques. Or, la modélisation statistique linéaire classique devient invalide en grande dimension, c'est-à-dire lorsque le nombre des variables dépasse celui des unités statistiques. Ce cours présente les techniques les plus courantes utilisées pour régulariser les modèles linéaires en grande dimension.

Voir la page complète

Ce cours traite du cadre de l'apprentissage automatique sous un angle statistique.
Nous nous intéresserons principalement au cadre supervisé (régression et classification) et introduirons quelques éléments du cadre non-supervisé à travers les méthodes de partitionnement (clustering).
Au-delà des aspects de modélisation et de théorie, le cours couvrira aussi quelques éléments d'optimisation et d'implémentation (sklearn, pytorch, etc.) des méthodes introduites.

Voir la page complète

La durée de vie d'un individu en biostatistique, ou d'une composante en analyse de la fiabilité,  est une quantité dont l'analyse statistique se distingue des données habituelles. D'une part, elle mène à considérer des quantités comme la fonction de hasard, le temps moyen résiduel de vie, etc. qui n'ont pas autant d'intérêt dans d'autres domaines de la statistique. D'autre part, elle fait souvent intervenir un mécanisme de censure, du fait que les données sont  observées de façon incomplète en raison de la longueur des expériences par rapport au temps qu'on veut leur allouer.
 
 Ce module a pour but de présenter les bases de l'analyse de survie. Les raisons d'être et les principaux mécanismes de censure de données sont abordés. Deux grands types d'approches statistiques sont présentés : l'approche paramétrique, qui malgré ses limitations, a souvent la faveur des utilisateurs, car "les paramètres parlent" et l'approche non-paramétrique qui permet de conforter et de compléter les analyses paramétriques en leur donnant une souplesse et une profondeur accrue quand les données sont nombreuses. Le module présente aussi différents modèles (modèle de Cox, du taux de panne accéléré, etc.) permettant de relier la survie à des facteurs explicatifs, ce qui permet de déterminer ceux pouvant impacter cette survie. Cette information est particulièrement utile dans un contexte sanitaire, car elle permet de personnaliser les projections de survie d'un individu.
 
 La mise en œuvre de ces méthodes se fera sur le logiciel R.

Voir la page complète

Les cours de complément présentent des ouvertures vers des domaines plus spécialisés de la statistique et de la modélisation stochastique. Leur contenu est susceptible de changer d'une année sur l'autre. Les thèmes abordés pourront être les suivants :
     - analyse des séquences biologiques : Modèles probabilistes d’évolution des séquences biologiques, Inférence des phylogénies, Modèles de Markov cachés pour la détection de motifs, Modèles graphiques et inférence de réseaux de régulation génique
     - dynamique des populations : processus de naissance et mort (définitions, propriétés, comportement asymptotique, estimation des paramètres, simulation), approximations déterministes, stochastiques ou hybrides
     - statistique biomédicale : Introduction aux données de la recherche clinique, aspects réglementaires et méthodologiques, Fonction de vraisemblance et applications aux données bio-médicales, Rappels sur les données de survie, modèles à risques compétitifs, test basé sur une U-statistique, Modèles d’analyse de données de fertilité, Diagnostic médical et courbes ROC comme application d’une U-statistique, Méta-analyses.
     - statistique des extrêmes et applications à l'environnement :Théorie des valeurs extrêmes univariée et multivariée : loi des maximas et des dépassements de seuils élevés pour des variables et des vecteurs aléatoires, dépendances extrémales, estimation de quantiles extrêmes, étude du risque. Applications pour des données      environnementales : pluie, hauteur de vagues, températures...
    - statistique spatiale : Introduction des éléments fondamentaux de la prédiction spatiale et applications. Afin de couvrir un large panel des statistiques spatiales, ce cours pourra s'articuler  autour de deux parties : les processus ponctuels et la géostatistique .
    - modèles linéaires mixtes : Extension des modèles linéaires aux modèles linéaires mixtes. Estimation des paramètres d’effet fixe comme ceux de variance au sein de ces modèles. Mise en œuvre sur différents cas pratiques. Effets aléatoires dans les modèles linéaires généralisés.

Voir la page complète

Les cours de complément présentent des ouvertures vers des domaines plus spécialisés de la statistique et de la modélisation stochastique. Leur contenu est susceptible de changer d'une année sur l'autre. Les thèmes abordés pourront être les suivants :
     - analyse des séquences biologiques : Modèles probabilistes d’évolution des séquences biologiques, Inférence des phylogénies, Modèles de Markov cachés pour la détection de motifs, Modèles graphiques et inférence de réseaux de régulation génique
     - dynamique des populations : processus de naissance et mort (définitions, propriétés, comportement asymptotique, estimation des paramètres, simulation), approximations déterministes, stochastiques ou hybrides
     - statistique biomédicale : Introduction aux données de la recherche clinique, aspects réglementaires et méthodologiques, Fonction de vraisemblance et applications aux données bio-médicales, Rappels sur les données de survie, modèles à risques compétitifs, test basé sur une U-statistique, Modèles d’analyse de données de fertilité, Diagnostic médical et courbes ROC comme application d’une U-statistique, Méta-analyses.
     - statistique des extrêmes et applications à l'environnement :Théorie des valeurs extrêmes univariée et multivariée : loi des maximas et des dépassements de seuils élevés pour des variables et des vecteurs aléatoires, dépendances extrémales, estimation de quantiles extrêmes, étude du risque. Applications pour des données environnementales : pluie, hauteur de vagues, températures...
    - statistique spatiale : Introduction des éléments fondamentaux de la prédiction spatiale et applications. Afin de couvrir un large panel des statistiques spatiales, ce cours pourra s'articuler  autour de deux parties : les processus ponctuels et la géostatistique .
    - modèles linéaires mixtes : Extension des modèles linéaires aux modèles linéaires mixtes. Estimation des paramètres d’effet fixe comme ceux de variance au sein de ces modèles. Mise en œuvre sur différents cas pratiques. Effets aléatoires dans les modèles linéaires généralisés.

Voir la page complète

Stage de 4 à 6 mois en entreprise, en EPIC ou en laboratoire de recherche, encadré par un chercheur ou une chercheuse, enseignant-chercheur ou enseignante-chercheuse, ingénieur ou ingénieure d’étude/recherche.

Voir la page complète

Beaucoup de phénomènes ne sont qu'incomplètement ou indirectement observés, ce qui complique leur analyse. Leur modélisation statistique doit alors inclure des variables non observées, dites latentes, qui sont rattachées d'une façon ou d'une autre aux variables observées. Ce cours introduit aux diverses manières d'introduire des variables latentes dans un modèle selon leur type (qualitatives ou quantitatives), et de procéder à l'estimation des paramètres du modèle.

Voir la page complète

Ce cours introduit le cadre général des modèles linéaires où l'on cherche à exprimer une variable réponse en fonction d'une combinaison linéaire de prédicteurs. En faisant l'hypothèse à la fois une relation spécifique entre la réponse moyenne et les prédicteurs (fonction de lien), ainsi qu’une distribution spécifique de la variation aléatoire de la réponse autour de sa moyenne, il est possible de représenter des données binaires (ex.: présence/absence, mortalité/survie) ou de comptage (ex.: nombre d’individus, nombre d’espèces). Grâce à ce cadre général, on peut alors modéliser des variables non-normalement distribuées. L'utilisation et l'interprétation des modèles de régression logistique, binomiale et de Poisson seront en particulier détaillés.

Voir la page complète

Cours TD d’anglais, à l’intention des étudiantes et étudiants de la filière « M2 Statisique et sciences des données » et qui visent l’autonomie professionnelle en langue anglaise.

Voir la page complète

Voir la page complète

Voir la page complète

La taille des données statistique ne cesse de croître, et notamment la richesse de la description des unités statistiques. Or, la modélisation statistique linéaire classique devient invalide en grande dimension, c'est-à-dire lorsque le nombre des variables dépasse celui des unités statistiques. Ce cours présente les techniques les plus courantes utilisées pour régulariser les modèles linéaires en grande dimension.

Voir la page complète

Ce cours traite du cadre de l'apprentissage automatique sous un angle statistique.
Nous nous intéresserons principalement au cadre supervisé (régression et classification) et introduirons quelques éléments du cadre non-supervisé à travers les méthodes de partitionnement (clustering).
Au-delà des aspects de modélisation et de théorie, le cours couvrira aussi quelques éléments d'optimisation et d'implémentation (sklearn, pytorch, etc.) des méthodes introduites.

Voir la page complète

La durée de vie d'un individu en biostatistique, ou d'une composante en analyse de la fiabilité,  est une quantité dont l'analyse statistique se distingue des données habituelles. D'une part, elle mène à considérer des quantités comme la fonction de hasard, le temps moyen résiduel de vie, etc. qui n'ont pas autant d'intérêt dans d'autres domaines de la statistique. D'autre part, elle fait souvent intervenir un mécanisme de censure, du fait que les données sont  observées de façon incomplète en raison de la longueur des expériences par rapport au temps qu'on veut leur allouer.
 
 Ce module a pour but de présenter les bases de l'analyse de survie. Les raisons d'être et les principaux mécanismes de censure de données sont abordés. Deux grands types d'approches statistiques sont présentés : l'approche paramétrique, qui malgré ses limitations, a souvent la faveur des utilisateurs, car "les paramètres parlent" et l'approche non-paramétrique qui permet de conforter et de compléter les analyses paramétriques en leur donnant une souplesse et une profondeur accrue quand les données sont nombreuses. Le module présente aussi différents modèles (modèle de Cox, du taux de panne accéléré, etc.) permettant de relier la survie à des facteurs explicatifs, ce qui permet de déterminer ceux pouvant impacter cette survie. Cette information est particulièrement utile dans un contexte sanitaire, car elle permet de personnaliser les projections de survie d'un individu.
 
 La mise en œuvre de ces méthodes se fera sur le logiciel R.

Voir la page complète

Stage de 4 à 6 mois en entreprise, en EPIC ou en laboratoire de recherche, encadré par un chercheur ou une chercheuse, enseignant-chercheur ou enseignante-chercheuse, ingénieur ou ingénieure d’étude/recherche.

Voir la page complète

Voir la page complète

Beaucoup de phénomènes ne sont qu'incomplètement ou indirectement observés, ce qui complique leur analyse. Leur modélisation statistique doit alors inclure des variables non observées, dites latentes, qui sont rattachées d'une façon ou d'une autre aux variables observées. Ce cours introduit aux diverses manières d'introduire des variables latentes dans un modèle selon leur type (qualitatives ou quantitatives), et de procéder à l'estimation des paramètres du modèle.

Voir la page complète

Voir la page complète