L'objectif de ce travail est d'apprendre à présenter des outils ou techniques statistiques avancées.
Conditions
de travail
Le travail sera réalisé par groupe de 2 étudiants.
Des créneaux seront réservés sur l'emploi du temps pour le suivi des projets.
Des soutenances seront organisées auxquelles tous les étudiants devront assister.
Un
peu plus de précisions (ou cahier des charges...)
Il s'agit de préparer un exposé de 45 minutes présentant une méthode statistique choisie dans la liste ci-dessous.
L'exposé
s'adressera à un public de scientifiques et/ou d'économistes
ayant déjà un bagage mathématique et statistique et devra leur
permettre de comprendre la méthode, son utilisation et son
application.
La présentation de composera
- d'une introduction permettent notamment de se faire une idée des applications possibles de la méthode présentée ; on situera aussi la méthode par rapport à d'autres méthodes existantes.
- d'une partie théorique.
-
d'un exemple illustratif (les étudiants choisiront eux-même
le problème, avec des données associées et l'exemple sera
traité avec un logiciel statistique). L'application doit
bien montrer en quoi les résultats obtenus apportent des
informations importantes et utilisables dans le cadre d'une
étude.
De plus, il sera important de dominer la portée interprétative des résultats statistiques en relation avec la réalité étudiée et en rapport avec les raisons pour lesquelles cette réalité est étudiée comme on le fait dans un contexte professionnel.
Proposition
de sujets (13 sujets)
Régression |
1. Arbres de
décision B. Goupil, S. Daghastani |
2. Réseaux de
neurones L. Zhu, H. Li |
3. Régression
PLS
J.Toubel, F.
Duchat |
4. Regression Ridge |
|
Data Mining |
5. Machines à support vecteur |
6. Classification
de courbes, d'image, de vidéo |
7. Analyse de
données textuelles S.
Dubois, N. Le Chevalier |
8. Bagging,
boosting Y. Chen, S. Yu |
|
Séries
temporelles |
9. Modèles auto-régressifs à seuils |
10. Modèles à
chaines de Markov cachées M.
Mouliom, S. Ihmaine |
11. Processus de Markov |
|
Statistique |
12. Estimation par
maximum de vraisemblance en présence de données
manquantes (algorithme EM) S.M. Bagou, J.Y.
Chaqra |
13. Krigeage
(interpolation spatiale) J.
Salim, T. Djonga |