Cornillon, P. A., Statistiques avec R
;
Robert, C. P., Méthodes de Monte-Carlo avec R ;
Desgraupes, B., Le livre de R : apprentissage et référence
Aragon, Y., Séries temporelles avec R ; Mills, T. C., Modelling
Trends and Cycles in Economic Time Series ;
Harvey, A. C., Forecasting, structural time series models and the
Kalman Filter;
Hamilton, Time Series Analysis;
Shumway, Stoffer, Time series ... ;
Brockwell, Davis ; Introduction to time series and
forecasting.
Polycopié.
Fichiers sources du
polycopié (voir la préface pour les conditions d'utilisation, ).
Corrigé plus
détaillé pour l'ex. 2 1 ->de la feuille 8.
Exercices supplémentaires (©A. Vasileiadis) :
TD1.
Exemples de processus stationnaires (ou pas) : 1,
2, 3,
4, 5.
Exemples de processus AR et
MA.
Complément de cours no 1.
Chargé de TP/TD :
Athanasios Vasileiadis
Calcul des notes : une note de CC (voir avec le chargé de TP/TD),
une note de CT (examen sur table sous forme de QCM, questions
similaires aux examens des années précédentes,
voir les archives en bas de cette page). Coefficients entre la note de
CC et la note de CT : demander au coordinateur.
Controle 2 : A,
B, C,
D, E
Feuille d'exercices no 1 -> corrigé, feuille d'exercices no 2
-> bouts de corrigé, feuille d'exercices no 3 -> bouts de corrigé, feuille
d'exercices no 4 ->
corrigé, feuille
d'exercices no 5 ->
corrigé, feuille d'exercices no 6 (-> voir le poly) ->
corrigé, feuille
d'exercices no 7 ->
corrigé, feuille
d'exercices no 8 ->
corrigé
M2
IM, Statistical learning methods. In
this course, we will code in python.Before
the first course, it is mandatory that you install python with the
scikit-learn package on your laptop.
* Warning: python is already present on your laptop if it is a
mac.
* I recommend to use the anaconda
distribution because it comes with all the good packages (including
scikit-learn, but you still have to download mglearn by yourself).
Chapter 1,
chapter 2, chapter
3, chapter 4,
chapter 5, chapter
6, chapter 7,
chapter 8, chapter
9.
Short talk on
Lagrange multipliers.
Stochastic
gradient.
Videos of the courses : unspod.unice.fr
References:
[1] Müller, A., C. & Guido, S., Introduction to Machine Learning
with Python, O'Reilly.
[2] Girolami, M. & Roges, S., A first course in machine learning
(second edition), Chapman&Hall, CRC.
[3] Murphy, K., P., Machine learning: a probabilistic perpective, MIT
Press.
[4] Hastie, T., Tibshirani, R., Friedman, J., The Elements of
Statistical Learning, Springer.
IMPORTANT : If you do not get my e-mails, please ask
me to be added to my mailing list.
First assignment (CC): a project during the semester. Second
assignment (CT): written exam. Final grade=0.5*CC+0.5*CT.
Find past assignments in the archive.
Assignement 01
(homework). Deadline : 01/02/2021.
Final exam: February 11th, 2021, 10 PM, salle de conférences. See the
past exams to train yourself. This exam will be a mix of exercises
similar to those of past exams, and multiple choices questions (on
algorithms). The level of the exam will be adapted to your "parcours"
(IM, MPA, MATHMODS, ...).
Final exam: IM-A,
IM-B, IM-C, MPA-A
(corrigé),
MPA-B (corrigé)
Polycopié "An
introduction to machine learning with probabilities, in R",
source
file → réutilisable sous licence
Liens
vers des simulations et des démonstrations interactives.
Un livre sur les applications des mathématiques (disponible à la BU) : The numbers behind numb3rs, site internet.
Lien vers poly L3 MASS (intégrations et probabilités) → réutilisable sous licence
Lien vers poly. L3 MIAGE (probabilités) → réutilisable sous licence
Questions/Lien mort → rubentha@unice.fr.