Classification/Apprentissage supervisé (M2)

• Cours 1 : Présentation générale [pres]
• Cours 2 : Approches basées sur un modèle [pres], [print], [compléments logistique]
• Cours 3 : Arbres de classification [pres][compléments CART]
• Cours 4 : Forêts aléatoires [pres]

• TP1 : Introduction via les k plus proches voisins  [sujet]
• TP2 : Analyse discriminante linéaire et quadratique [sujet]
• TP3 : Calibrer/évaluer une méthode et la comparer à d’autres [sujet]
• TP4 : Règles de Bayes avec coûts [sujet]
• TP5 : Score, courbe ROC, courbe LIFT, en classification binaire [sujet]
• TP6 : Bayésien naif [sujet]
• TP7 : Régression logistique [sujet]
• TP8 : Arbres de classification  [sujet][vignette][complément]
• TP9 : Forêts aléatoires [sujet][complément]

Data :

• [synth_test.txt], [synth_train.txt], [grille.rda]
• [numbers_train.txt][numbers_test.txt]
• [simu_gauss1.rda], [simu_gauss2.rda]
• [infarctus.rda], [Desbois.rda], [Desbois_complet.rda]
• [ex_publipostage.txt][ticdata.csv]

Statistique computationnelle (M1)

• Cours 1 : Clustering [pres]
• TP1 : classification ascendante hiérarchique [sujet]
• TP2 : partitionnement avec la méthode des kmeans [sujet]
• TP3 : partitionnement avec les GMM [sujet]

Data : [fromage.txt][protein.rda][urbanGB.txt]

Analyse des données (L3)

• Chapitre 1 : Analyse en Composantes Principales [pres]
• Chapitre 2 : Classification automatique [pres]

Modélisation Statistique (L3)

• Chapitre 1 : Régression linéaire simple [pres][print]
• Chapitre 2 : Régression linéaire multiple  [pres][print][data]

Prérequis :

• Statistiques descriptives  (L1)
• Suites de variables aléatoires, Estimateurs et intervalles de confiance, Théorie des tests (L2)

Analyse de données quantitatives (M1)

• Cours : Notions de base (code R), ACP (exemple), Clustering, Clustering avec SPAD.
• TP : TP1 et TP2 (correction), TP3 (correction), TP4 (correction, codeR), TP5 (correction, codeR, sorties interprétation des classes et correction)
• Jeux de données : eaux.txt, Desbois.txt, fromages.txt

Analyse de données qualitatives et analyse factorielle discriminante  (M2)

• Séance 1 : Notions de base [Cours] [Données]
• Séance 2 : AFC [Rappels] [Cours] [Exemple]
• Séance 3 : TP1 – AFC [Sujet] [Données] [Correction]
• Séance 4 : ACM [Cours] [Données]
• Séances 5, 6 et 7 : ACM [Sujet] [Correction]  [Données]
• Séance 8 : AFD [Cours] [Données] [Procédures AFD sous R]
• Séances 9 et 10 : TP3 – AFD [Sujet] [Données] [Correction]

Prérequis : ACP avec métriques

Scoring (M2)

• Cours polycopié
• Fichiers d’exemples : credits.xls, infactus.xls, farms.xls.
• TD/TP : TP1 (correction), TP2 (correction), TP3 (correction, sorties SAS).
• Jeux de données : insectes.zip, infarctus.Rdata (version txt), farms.Rdata (version txt).
• Code R : procédures d’AFD, fonctions linéaires de classement.