LaMME members:aguilloux:enseignements

Cours de Cours de Bootstrap (M2 ISG)

2017-03-16T08:03:00+02:00

Cours de Cours de Bootstrap (M2 ISG) Slides du cours * [ slides ] Données * [ données] * [ données] TP * [ Corrections cours 1] * [ sujet du TP] * [ Debut de correction du TP] * [ Correction du TP] * [ Début de correction du TP à rendre pour le 17/02] Examen * [ Fichier Rmd pour l'examen]

Cours sur la causalité, le bootstrap et les tests multiples (M2 DSSAF)

2020-03-26T14:24:54+02:00

Cours sur la causalité, le bootstrap et les tests multiples (M2 DSSAF) Causalité * [ slides du cours] * [ Notebooks] * Calcul sur l'estimateur de Horvitz-Thompson * Gruber et van de Laan 2012 * [ Début de correction du TP à rendre] * Le TP est à rendre pour le 14/02 avec les méthodes Matching sur X, Matching sur le score de propension, IPTW, MSM (si possible) et pour les étapes 1 et 2 du Targeted Learning de meilleurs classifieurs (par exemple boosting, RF). Descendre le M à 100 si…

Cours de Bootstrap (ENSAE 3A)

2021-05-05T15:35:10+02:00

Cours de Bootstrap (ENSAE 3A) Plan du cours * Séances 1&2 : Bootstrap : principes et intervalles de confiance [Slides du cours], [Exemples en python] * Séances 3&4 : Bootstrap : application à la régression et subsampling [Slides] [Exemples python][ Code pour l'intervalle de prédiction] * Séances 5&6 : Bootstrap : application aux séries temporelles

Une journée sur la causalité (M2 DSM)

2021-11-07T09:25:25+02:00

Une journée sur la causalité (M2 DSM) * [ Slides] * [ Notebooks ] * Hernan et Robins, 2020

DataCamp

2022-03-24T14:12:38+02:00

DataCamp * [Slides de présentation] * Le rapport doit comporter une quinzaine de pages (hors annexe) et devra être déposé sur GitHub

DSSP 14 dimension reduction and clustering

2019-12-06T15:49:40+02:00

DSSP 14 dimension reduction and clustering [ Documents] library(cluster) distances = dist(decathlonR[1:10]) K=15 DecathlonRKmeans <- kmeans(decathlonR[1:10], K) DecathlonTSNEKmeans <- kmeans(DecathlonTSNE$Y, K) PlotDecathlon(DecathlonTSNE$Y, Col = factor(DecathlonRKmeans$cluster)) PlotDecathlon(DecathlonTSNE$Y, Col = factor(DecathlonTSNEKmeans$

Grandes données de santé : enjeux et méthodes

2017-04-24T09:29:59+02:00

Grandes données de santé : enjeux et méthodes Slides * [ slides ] R codes Vous aurez besoin des packages survival, tidyverse, ggfortify,lubridate, glmnet, penalized, Cyclops * [ code version Rmd] * [ code version html] Données * [ Données d'exemple]

introduction au machine learning

2019-09-06T12:31:48+02:00

introduction au machine learning Slides du cours [ Slides du cours] Notebooks notebook 1 : intro_python.ipynb notebook 2 : intro_numpy.ipynb notebook 3 : ds_with_python_1.ipynb Données gro (drive) [ Données gro (zip)] notebook 4 : ds_with_python_2.ipynb notebook 5 : classification_gro.ipynb bin_feature_train.pkl X_test.pkl notebook 5 v2 : classification_gro_2.ipynb notebook 6 imdb_classfication.ipynb Données imdb Données amazon A faire * Pour le 4/09 : * Finir …

Cours d'Algèbre Linéaire et Analyse des données (L3 BI)

2017-11-20T16:02:23+02:00

Cours d'Algèbre Linéaire et Analyse des données (L3 BI) Cours et TD * [ Partie 1 : systèmes linéaires et espaces vectoriels ] * [ Partie 2 : matrices, e.v., dimension et rang ] * [ Partie 3 : vecteurs propres et valeurs propres ] * [ Partie 4 : produit scalaire et projection ] * [ Quizz 1 2016-2017 ] * [ Quizz 2 2016-2017 ] * [ Quizz 3 2016-2017 ] * [ Cours sur l'ACP][ Code R du cours] TP * TP 1 : [ Données]

Laboratoire de mathématiques

2019-06-06T14:27:45+02:00

Laboratoire de mathématiques Slides du cours * [ slides ] * [ Slides text mining] TP Naive bayes * notebook 1 LDA, QDA, kNN * notebook 2 * Spam données d'entrainement * Spam données de test Text mining * notebook 3 * Données * Données train * Données test * Notebook fin (avec matrices sparses

Cours de Statistique multivariée (M1 GENIOMHE)

2017-11-27T09:47:19+02:00

Cours de Statistique multivariée (M1 GENIOMHE) Cours Transparents * [Transparents sur le modèle linéaire ] * [Code R pour le chapitre 1 ] * [Transparents sur le modèle linéaire généralisé] * [Code R pour le chapitre 2 ] * [Transparents sur la sélection de modèles] * [Code R pour le chapitre 3 ] * TP 1 * [TP1 ] * [ TP 1 correction] TP 2 * [TP noté 1] * [TP noté 1 update] avec le bon label TP 3 * [TP noté 2 données et début de code] à rendre pour le 7/11 TP 4 *…

Modélisation statistique (M1 MINT)

2021-12-10T16:19:02+02:00

Modélisation statistique (M1 MINT) TP 29/11 * * [ Notebook et données pour le TP ] * [ Slides] * [Correction] TP 2/12 * [Sujet] * [Données diet.csv] * [Correction]

Probabilités et statistiques numériques (M1 MINT)

2021-02-16T16:38:59+02:00

Probabilités et statistiques numériques (M1 MINT) Il faut installer python avec anaconda distribution (> 4) avec python 3 voir Cours * [ Partie 1] * [ Slides cours 1 annotées] * [ Calculs au tableau cours du 14/09] * Illustrations en python * [Slides sur le bootstrap] Contrôle continu : devoir à la maison Ce devoir est à rendre pour le 30/09, il faut m'envoyer une copie manuscrite (ou la mettre dans mon casier en face de l'ascenseur a…

Régression avancée (M1 MINT)

2019-11-12T15:51:38+02:00

Régression avancée (M1 MINT) Slides * [ Chapitre 1 ] * [ Chapitre 2 ] * [ Chapitre 3 ] TP A installer R et Rstudio ou anaconda et Jupyter notebook TP 1 * [ Sujet] * [ Données et début de code] * [ Début de correction] * [ Correction] TP 2 A TELECHARGER AVANT LE TP du 4/11 !! * [ Fichier zip] * [ Début de code] * Le compte rendu est à rendre pour le 6/12 sous le format pdf ou html

Scientific programming (M2 Data Science : santé, assurance, finance)

2018-10-09T14:26:41+02:00

Scientific programming (M2 Data Science : santé, assurance, finance) Python * [ Notebooks 0 and 1] * [ TP 2] Le but du TP2 est d’essayer d’améliorer les scores. Parmi les pistes possibles, vous pouvez considérer - d’autres méthodes d’apprentissage - toutes les données, par exemple en traitant les données manquantes plutôt que d’enlever les lignes en contenant (voir

Cours de Cours de programmation et R (M2 ISG)

2017-01-28T16:49:27+02:00

Cours de Cours de programmation et R (M2 ISG) R intro * [ Introduction à R ] R graphics * [ Graphiques dans R ] Challenge * Challengedata.ens.fr : challenge Oze Le rapport doit contenir une description des différentes étapes de construction du modèle: traitement des données, construction de features et du modèle. Le rapport ne doit pas contenir de code dans sa partie principale et est à déposer sur le site au format pdf, et ne doit pas dépasser 15 pages (hors annexe).

Compléments sur les modèles de régression (M2 Statistique UPMC)

2017-12-19T14:21:36+02:00

Compléments sur les modèles de régression (M2 Statistique UPMC) Cours Transparents * [ Chapitre 1 ] [ Code et données ] * [ Chapitre 2 ] * [ Chapitre 3] [Codes pour le chapitre 3] * [ Chapitre 4] [Codes pour le cours sur les GAM][Cours pour le cours sur le Gradient Boosting] TPs TP 1 : régression linéaire * Données : * [ Sujet] * [ Correction partielle] * [ Correction ] TP 2 : sélection de variables et pénalisat…

Machine Learning with Python (M2DSSAF)

2017-11-27T09:59:46+02:00

Machine Learning with Python (M2DSSAF) Slides [Boosting] [ Random forest] Labs Lab 1 * [ Lab 1] * [ Lab 1 corrected] Lab 2 * [ Lab 2] Lab 3 * Lab 3 : comparer les algorithmes de ML sur * Challenge The course will be evaluated via the Kaggle competition . Vous devez former des équipes de 3 personnes maximum. Vous devrez rendre…

Statistical learning (M1 MINT)

2022-03-24T10:30:09+02:00

Statistical learning (M1 MINT) Slides du cours * [Slides cours 1] * [Slides cours 2] [Slides commentées] * [Slides cours 3] * [Slides cours 4] TDs * [Enoncé du TD1][Fin de la correction du Problème 1 du TD 1] * Le problème 2 du TD1 est à rendre sur feuille, la note comptera comme DM, pour le 3 février Labs * Préparation des données pour le TP1 [Sujet et données][Correction et données finales] * [Sujet du TP 1] * Correction du TP 1 * [ Sujet du TP2 et données] * La 1e…

Apprentissage statistique (M1MINT)

2021-04-06T16:36:39+02:00

Apprentissage statistique (M1MINT) Cours * [ Cours 1] * [Notes de cours] * [ Cours 2] * [Notes de cours] * [ Cours 3] * [ Notes de cours] * [ Cours 4] * [Preuve de l'inégalité d'Hoeffding] * TD et TP * [ Sujet du TD 1] * [Correction] * Lien collab * [TP sujet et données] * [ Corrigé du TP1] * [Slides et exemples en python] Contrôle continu Le notebook est à rendre commenté pour le 28/01 * Sujet du TP (colab notebook) * [ Données gro prétraitées ] * Pe…

Optimisation for Data Science

2021-10-15T13:31:18+02:00

Optimisation for Data Science * [ Sujet de TP d'optimisation] * La fin du TP est à rendre pour le 2/11 * [Notes du cours]

Statistique asymptotique : (M2 DSSAF)

2022-04-22T16:01:02+02:00

Statistique asymptotique : (M2 DSSAF) Cours * [ Cours (version provisoire)] * [ Slides sur le GLM] Labs * [Lab 1][ Dataset][Début de code] * [Lab 2 avec le dataset] * [Lab 3 avec les données]NB : La 1ere version du TP est à rendre par mail à 16h30 aujourd'hui. La version 2 finalisée pour le 13 mai. Les 2 sous forme de notebook exécutés (en format html, pdf ou ipynb). Le nom du fichier doit contenir equipe_[num] pour que je puisse reconnaitre

Longitudinal and survival data analysis (M2DSSAF et ENSIIE)

2022-03-24T11:03:21+02:00

Longitudinal and survival data analysis (M2DSSAF et ENSIIE) Cours Transparents * [ Chapter 1 ] * [ R for Chapter 1] * [ Chapter 2] * [ R for Chapter 2] * [ Chapter 3] * [ R for Chapter 3] Labs Lab 1 * [ Enoncé ] * [ Début de code] * [ Data] * [Data coalition] * [Correction] Lab 2 * [Sujet] * Une première version du TP est à envoyer le 7/10 * La version finale du TP est à envoyer

Survival data analysis (Executive master Dauphine)

2020-12-15T20:56:18+02:00

Survival data analysis (Executive master Dauphine) Cours * [ Chapter 1 ] [ R for Chapter 1][Notes de cours] * [ Chapter 2] [ R for Chapter 2][Notes de cours] * [ Chapter 3 ] [ R for Chapter 3] Labs * [ Lab 1] * * [ Lab 3] * [Début de code] * Le code commenté de l'exercice 2 est à envoyer pour le 31 mars avec [Executive Master] comme titre

Time series (ENSIIE and M1 MINT)

2017-03-23T11:28:53+02:00

Time series (ENSIIE and M1 MINT) Slides * [ slides ] R codes * [ code Chapter 1] * [ code Chapter 2] * [ code Chapter 4] * [ code Chapters 5 and 6] TP 1 * [ Sujet en Rmd] * [ Sujet en pdf] * [ Correction] TP2, exam and challenge * [ Material for the lab and challenge] * Link to Kobra Livre pour des exercices Vous trouverez dans le livre suivant des exercices. Concentrez vous sur les exercices du chapitre 3 (Nous n'avons couvert en cours que les 3 premiers chap…