Statistics and data sciences

A la fin de cette unité d’enseignement, l’étudiant est capable de :

• Explorer des données en petit et grand nombre, et en petite et grande dimension ;
• Induire des caractéristiques d'une population de données à partir d'un échantillon en utilisant des techniques d'inférence, d'estimation, de calcul d'intervalles de confiance, et de tests statistiques ;
• Relier l'approche déductive de la théorie des probabilités et l'approche inductive de la statistique, en identifiant clairement les modèles probabilistes qui seront soumis à l'inférence statistique ;
• Reformuler l'énoncé textuel d'un problème d'inférence statistique dans un formalisme mathématique et statistique précis, en identifiant les modèles adéquats et les méthodes d'estimation correspondantes ;
• Résoudre un problème appliqué en suivant une approche logique basée sur l'utilisation correcte des modèles et de l'inférence statistique ;
• Utiliser des techniques de simulation Monte-Carlo, de validation croisée et de bootstrap à des fins d'estimation et de validation de résultats ;
• Analyser des données multivariées avec des techniques fondamentales de régression linéaire, d'analyse en composantes principales et de classification/clustering ;
• Utiliser des outils d'analyse statistique pour valider les conclusions de modèles (par exemple la régression linéaire) ;
• Faire le lien entre les objectifs mathématiques d'une méthode d'analyse de données et ses objectifs applicatifs.