===== Compléments sur les modèles de régression (M2 Statistique UPMC) =====

=== Cours ===
== Transparents ==
  * {{ members/aguilloux:enseignements:m2upmc:chapitre1.pdf| Chapitre 1 }} {{ members/aguilloux:enseignements:m2upmc:r_data_chapitre1.zip| Code et données }}
  * {{ members/aguilloux:enseignements:m2upmc:chapitre2.pdf| Chapitre 2 }}
  * {{:members:aguilloux:enseignements:m2upmc:chapitre3.pdf| Chapitre 3}} {{:members:aguilloux:enseignements:m2upmc:code_chapitre3.zip|Codes pour le chapitre 3}}
  * {{:members:aguilloux:enseignements:m2upmc:chapitre4.pdf| Chapitre 4}} {{:members:aguilloux:enseignements:m2upmc:rchapitre4.rmd.zip|Codes pour le cours sur les GAM}}{{:members:aguilloux:enseignements:m2upmc:rchapitre4_boosting.rmd.zip|Cours pour le cours sur le Gradient Boosting}}

=== TPs ===
== TP 1 : régression linéaire ==
  * Données : https://archive.ics.uci.edu/ml/datasets/Student+Performance
  * {{:members:aguilloux:enseignements:m2upmc:tp1.rmd.zip| Sujet}}
  * {{:members:aguilloux:enseignements:m2upmc:tp1_corrected.rmd.zip| Correction partielle}}
  * {{:members:aguilloux:enseignements:m2upmc:tp1_corrected.rmd_2.zip | Correction }}
== TP 2 : sélection de variables et pénalisations ==
  * {{:members:aguilloux:enseignements:m2upmc:tp2.rmd.zip| | Sujet }}
Vous **pouvez** me rendre le TP (pour le 9/11) en me l'envoyant sous format pdf ou html. Attention à bien nommer votre fichier votrenom_TP2. Vous pouvez me le rendre par équipe de 2.
== TP 3 : Régression de Poisson ==
  * {{:members:aguilloux:enseignements:m2upmc:poisson_regression.rmd.zip|Sujet}}
  * {{:members:aguilloux:enseignements:moro2016.pdf| Moro et al. 2016}}

== TP 4 : Inflation de zéros ==
  * {{:members:aguilloux:enseignements:zeroinfpoisson.rmd.zip|Sujet}}
  * {{:members:aguilloux:enseignements:flare_data_sets.zip|Données}}
  * Code sharing  at https://codeshare.io/G8v7BD
Vous **pouvez** me rendre le TP (pour le 21/12) en me l'envoyant sous format pdf ou html. Attention à bien nommer votre fichier votrenom_TP4. Vous pouvez me le rendre par équipe de 2.

== TP 5 : GAM ==
  * {{:members:aguilloux:enseignements:m2upmc:gam_sujet.rmd.zip| Sujet }}
  * Code sharing  at https://codeshare.io/ad6pdR

== TP 6 : Gradient boosting ==
  * {{:members:aguilloux:enseignements:m2upmc:gboost_sujet.rmd.zip| Sujet}}
  * {{:members:aguilloux:enseignements:m2upmc:ozone.rdata.zip|Données}}
  * Description

A data frame with 366 observations on 13 variables, each observation is one day

Usage

data(Ozone)
Format

  * 1	Month: 1 = January, ..., 12 = December
  * 2	Day of month
  * 3	Day of week: 1 = Monday, ..., 7 = Sunday
  * 4	Daily maximum one-hour-average ozone reading
  * 5	500 millibar pressure height (m) measured at Vandenberg AFB
  * 6	Wind speed (mph) at Los Angeles International Airport (LAX)
  * 7	Humidity (%) at LAX
  * 8	Temperature (degrees F) measured at Sandburg, CA
  * 9	Temperature (degrees F) measured at El Monte, CA
  * 10	Inversion base height (feet) at LAX
  * 11	Pressure gradient (mm Hg) from LAX to Daggett, CA
  * 12	Inversion base temperature (degrees F) at LAX
  * 13	Visibility (miles) measured at LAX

Details

The problem is to predict the daily maximum one-hour-average ozone reading (V4).
=== Challenge ===
Le challenge pour ce cours est 
https://challengedata.ens.fr/en/challenge/25/predict_the_crude_oil_production_trend.html.

Vous devez former des équipes de 3 personnes maximum. Vous devrez rendre un rapport de 10 pages maximum (hors annexes) expliquant votre démarche pour le **14/01/2017**.

=== Examen 2016-2017 ===
{{:members:aguilloux:enseignements:m2upmc:examen.pdf|sujet}}
{{:members:aguilloux:enseignements:m2upmc:rattrapage.pdf| sujet de rattrapge}}
{{:members:aguilloux:enseignements:m2upmc:correction_partiell.pdf|Correction sur le LARS}}