Ce cours donne aux étudiants les bases probabilistes et statistiques de la science des données, en quatre chapitres :
- fondements des probabilités : espace probabilisé, conditionnement et Bayes, variables et vecteurs aléatoires, lois usuelles, régression ;
- convergence et théorèmes limites : loi des grands nombres, théorème central limite, approximations ;
- statistique inférentielle : estimation, maximum de vraisemblance, intervalles de confiance, tests ;
- simulation et applications : Monte-Carlo, bootstrap, tests de permutation.
Chaque chapitre comprend un cours avec des exemples résolus, une synthèse et des exercices corrigés, complétés par des fiches de TD.
- Teacher: karima kies
Ce cours part du principe que la programmation ne s'apprend pas en la regardant, mais en la pratiquant, en se trompant, et en recommençant. Certains d'entre vous ont déjà manipulé Python, d'autres non : ce n'est pas ce qui compte. Ce qui compte, c'est le chemin parcouru entre la semaine 1 et la semaine 10, pas le point de départ.
Chaque semaine suit le même rythme : un cours qui pose les concepts, puis deux séances de TP qui les mettent en pratique sur de vrais jeux de données. L'objectif final n'est pas de réciter Pandas ou NumPy, mais d'être capable de charger un jeu de données brut, de le nettoyer, de l'explorer et d'en tirer des conclusions — la chaîne complète.
- Format : 1h30 de cours + 1h30 de TP par semaine,
- Évaluation : examen semestriel en présentiel (60%) + contrôle continu et travail personnel (40%).
- Progression : chaque semaine s'appuie sur la précédente — Python d'abord, puis Pandas, NumPy, puis I/O, visualisation, texte, POO, packages.
- Philosophie : comprendre avant de mémoriser. Un TP raté proprement compris vaut mieux qu'un TP copié.
- Teacher: Chams Eddine CHOUCHA