Page tree
Skip to end of metadata
Go to start of metadata

GIMAS9AD1 - Master IMSD - Mines Nancy

Statistique en grande dimension

 

Crédits : 2 ECTS

Durée : 21 heures

Semestre : S9

Responsable(s) : 

Anne Gegout-Petit, professeur   anne.gegout-petit@univ-lorraine.fr

Mots clés :

Data Mining, data science

Pré requis : 

Statistical test theory, standard tests, regression

Objectif général :

Principales méthodes d’analyse de données et du Data Mining

Programmes et contenus :

Multiple testing issue, False Discovery Rate (FDR), usual method (Bonferroni, local FDR, Benjamini-Hochberg,..), case of correlated data

Penalised regression: LASSO, RIDGE, ELASTICNET

Decision trees and random forest, variable importance

Criteria of model selection: AIC, BIC, …

Criteria of goodness of it: RMSE, confusion table ROC curve

Variable selection: Cross validation, knockoffs, stability selection

Learning outcomes: Understand the need for a correction procedure in multiple testing, know how to choose and apply the usual methods in this case. Understand the need for penalization in the context of regression with a large number of variables and the associated optimization problem. 

Targeted competencies: To be able to recognize a high dimensional statistical problem and to choose and/or adapt the usual methods of inference to this framework.



Compétences : 

Niveaux

Description et verbes opérationnels

Connaître 

 

Comprendre 

 

Appliquer 

 

Analyser 

 

Synthétiser

 

Évaluer

 

Évaluations :

  • Test écrit
  • Contrôle continu
  • Oral, soutenance
  • Projet
  • Rapport
  • No labels