Descriptif
Cet enseignement vise :
- le renforcement des acquis du second cycle par leur mise en pratique,
- la mise en perspective des démarches de l’analyse statistique vis-à-vis de problèmes rencontrés dans le cadre agronomique
- des approfondissements alliant la connaissance et la compréhension de méthodes et un savoir-faire technique (programmation et informatique, analyse et interprétation de résultats).
Objectifs pédagogiques
Cet enseignement doit permettre aux étudiants de conforter une compétence méthodologique pour la planification d'études et pour l’analyse statistique des résultats obtenus.
- CM : 15
- TD : 12
- Travail personnel : 6
Diplôme(s) concerné(s)
Parcours de rattachement
domaines ParisTech
Système d'information - Modélisation.Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Ingénieur AgroParisTech
Vos modalités d'acquisition :
L’appréciation des connaissances et, surtout, de leur mise en pratique portera sur le travail en binôme au cours de l’atelier, pour lequel il sera demandé une présentation du projet à l’oral.
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 1 ECTS
Le coefficient de l'UE est : 1
Pour les étudiants du diplôme Accueillis cursus ing 2e et 3e année (erasmus et école)
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 1 ECTS
Le coefficient de l'UE est : 1
Programme détaillé
L’enseignement comporte 13 demi-journées :
-
11 demi-journées de cours et TD d’application en groupes d’une quinzaine d'étudiants. Les séances de TD comprendront une partie de programmation (langage R) et une partie analyse et interprétation des résultats.
-
2 demi-journées appelées « atelier », pour l’étude de plusieurs jeux de données leur permettant de mobiliser les connaissances acquises au cours du module (travail en binôme). Le travail en atelier consiste à exploiter un fichier de données (résultat d’enquête ou d’expérimentation) comportant de multiples variables. Il s’agit d’élaborer un schéma d’analyse en précisant les hypothèses à tester, de mettre en œuvre la démarche statistique la mieux appropriée en utilisant les logiciels disponibles sur le serveur, d’interpréter les résultats et de rédiger un compte-rendu.
Mots clés
statistiques, modèle linéaire, méthode régularisée, modèle linéaire généralisé, méthode de classification supervisée, machine learning, série temporelleMéthodes pédagogiques
CM, TD et ateliersSupport pédagogique multimédia
