Infos clés et site web
- Durée de la formation
-
28 heures
- Formation continue
- Formation courte / qualifiante
- Lieu de la formation
- Campus Porte des Alpes (PDA)
- Langues d'enseignement
-
Français
Mise à jour le 25 mars 2020
Méthodes statistiques pour les données massives
Détails
Public ciblé
- Public ciblé
- Public statisticien (ingénieur) souhaitant découvrir les méthodes statistiques récentes pour les données massives.
- Accessible en reprise d'études
- Oui
Objectifs
· Apprendre à synthétiser et extraire l’information de masses de données ou de données de grande dimension
· Maitriser les outils modernes de statistique pour l’analyse et la prise de décisions
· Savoir mettre en oeuvre les techniques récentes avec le logiciel R
· Maitriser les outils modernes de statistique pour l’analyse et la prise de décisions
· Savoir mettre en oeuvre les techniques récentes avec le logiciel R
Contenu
· Régression en grande dimension (plus de variables que d’observations) : sélection de variables, régularisation et méthodes sparses, méthodes de projections
· Clustering en grande dimension : modèle de mélange parcimonieux
· Classification en grande dimension : sélection de variables, méthodes de projections, régularisation.
· Clustering en grande dimension : modèle de mélange parcimonieux
· Classification en grande dimension : sélection de variables, méthodes de projections, régularisation.
Présentation
Lieux
Campus Porte des Alpes (PDA)
Pré-requis
Formation(s) requise(s)
- Notions de R (typiquement le contenu du module initiation).
- Notions de statistiques élémentaires (statistique descriptive, analyse des données, test statistique, régression).
- Techniques classiques de data mining.
- Notions de statistiques élémentaires (statistique descriptive, analyse des données, test statistique, régression).
- Techniques classiques de data mining.
· Régression en grande dimension (plus de variables que d’observations) : sélection de variables, régularisation et méthodes sparses, méthodes de projections
· Clustering en grande dimension : modèle de mélange parcimonieux
· Classification en grande dimension : sélection de variables, méthodes de projections, régularisation
· Clustering en grande dimension : modèle de mélange parcimonieux
· Classification en grande dimension : sélection de variables, méthodes de projections, régularisation
Poursuites d'études
Ce module peut donner accès au diplôme universitaire data scientist.
Coût de la formation
Nous consulter