Objectifs
A la fin de ce module, l'étudiant devra avoir compris et pourra expliquer (principaux concepts) :
-- Exploration statistique de données multidimensionnelles, réduction de dimension et classification non supervisée avec R.
- Interprétation statistique des différents types de représentations graphiques en analyse factorielle et clustering.
L'étudiant devra être capable de :
- Conduire une analyse exploratoire sur un jeu de données avec le logiciel R et rédiger un rapport avec Rmarkdown
- Savoir expliquer et appliquer les méthodes factorielles PCA, MCA, MFA, MDS, LDA
- Savoir expliquer et appliquer les méthodes de clustering Kmeans et ses variantes, classification hiérarchique, DBSCAN et les modèles de mélange.
Pré-requis
Statistiques : statistiques descriptives.
Probabilités : vecteurs aléatoires, loi de probabilité, formule de Bayes, loi normale multidimensionnelle.
Algèbre: espaces vectoriels, espaces euclidiens, calcul matriciel, diagonalisation de matrices.
Géométrie/mécanique : barycentre, inertie, formule de Huygens.
Évaluation
L’évaluation des acquis d’apprentissage est réalisée en continu tout le long du semestre. En fonction des enseignements, elle peut prendre différentes formes : examen écrit, oral, compte-rendu, rapport écrit, évaluation par les pairs…
