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.
Contrôle 1 : sujet
1 (data), sujet
2 (data).
Contrôle 2 : sujet
1 (data, data), sujet 2 (data,
data).
Examen (contrôle 3): lundi 3 janvier 2022, 14h00-16h00, salle
M.2.2
-> Programme : tout le cours et toutes les feuilles
d'exercices. Le contrôle se fera sur papier mais il y aura des
questions de R (je fournirai un pense-bête de R). Pour s'entraîner :
voir les archives.
Contrôle 3 : sujet
A (corrigé),
sujet B (corrigé).
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 (also M2 Maths & Applications, double diplôme
EDHEC-UCA). Statistical learning methods ( = An
introduction to machine learning with probabilities, in R). In
this course, we will code in
R. You can download Rstudio
for free.
OLD NOTES:
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 (write to rubentha@unice.fr)
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.
First assignement (deadline
March 1st 2022)
Polycopié "An
introduction to machine learning with probabilities, in R",
source
file → réutilisable sous licence
IMPORTANT : the university will give you a
B&W paper version of the polycopié. If you want a color
version, you will have to print it by yourself.
Exam : EIT
(A) (answers),
EIT (B)
(answers),
IM (A) (answers),
IM (B) (answers),
MPA&MathMods
(A) (answers),
MPA&MathMods
(B) (answers).
L3
MATHS, Analyse Complexe
Contrôle 01 : sujet
A (-> corrigé), sujet B (-> corrigé)
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) (mis à jour en 2021) fichiers sources → réutilisable sous licence
Lien vers poly. L3 MIAGE (probabilités) → réutilisable sous licence
Questions/Lien mort → rubentha@unice.fr.