Statistical learning. Estimation, selection and inference

lstat2450  2021-2022  Louvain-la-Neuve

Statistical learning. Estimation, selection and inference
5.00 crédits
30.0 h + 7.5 h
Q1
Enseignants
Pircalabelu Eugen;
Langue
d'enseignement
Anglais
Préalables
LSTAT2011 Éléments de mathématiques pour la statistique
LSTAT2013 - Concepts de base en statistique inférentielle
LSTAT2120 Linear models
LSTAT2020 Logiciels et programmation statistique de base
Thèmes abordés
The course focuses on high-dimensional settings and on techniques to that allow for parameter estimation, model selection and valid inferential procedures for high-dimensional models in statistics.
Acquis
d'apprentissage

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

1 Eu égard au référentiel AA du programme de master en statistique, orientation générale, cette activité contribue au développement et à l'acquisition des AA suivants, de manière prioritaire : 1.4, 1.5, 2.4, 4.3, 6.1, 6.2
 
Contenu
Le cours est centré sur la présentation des concepts clés de l'apprentissage statistique et des modèles à haute dimension tels que:
  • Apprentissage statistique
  • Défis concernant les modèles à haute dimension et différences par rapport aux modèles à faible dimension
  • Techniques classiques de sélection de variables pour les modèles de régression linéaire: R2, adj.R2, Cp
  • Sélection basée sur des critères d'information: divergence KL, dérivation AIC / TIC / BIC
  • Sélection basée sur la validation croisée: Leave-one-out et K-fold
  • Sous-ajustement et surajustement ou le compromis biais-variance
  • Ridge: propriétés théoriques, compromis biais / variance, GCV
  • Lasso: chemins de régularisation, LARS, algorithme de descente de coordonnées, limites d'erreur de prédiction, degrés de liberté pour le lasso, récupération du support, sélection de stabilité, knock-offs; inférence par débiasing, inférence post-sélection, inférence bayésienne
  • Extensions de Lasso: élastique net, lasso de groupe, lasso adaptatif, lasso fusionné
  • Autres techniques: modèles graphiques, PCA sparse, analyse discriminante sparse
Méthodes d'enseignement
Le cours comprend des exposés magistraux (30h) et des séances d’exercices (7.5h).
Les cours et les TP sont destinés à être en présentiel.
Langue d'enseignement: Anglais.
Modes d'évaluation
des acquis des étudiants
L'évaluation pour ce cours consiste en trois parties:
  • Pendant le quadrimestre l'étudiant doit rendre 2 devoirs obligatoires (courts, 1 à 2 pages maximum par devoir), comptant pour 20% de la note finale. Les devoirs sont à résoudre individuellement ou en groupe de 2. Une note sera attribuée par groupe.
  • Un projet (rédigé en français/anglais en min 5 et max 9 pages dans le template sur Moodle, annexes non-incluses) qui illustrera les méthodes d’apprentissage statistique dans un cas concret  (30% des points). L'évaluation du projet se fait sur base du rapport écrit. Le projet est à résoudre individuellement ou en groupe de 2. Une note sera attribuée par groupe.
  • Un examen oral (~45 min.), auquel le titulaire évaluera la maîtrise de la matière vue au cours  (50% des points). Si nécessaire le titulaire posera aussi des questions par rapport aux résultats et la méthodologie utilisée pour le rapport et pour les devoirs.
Les modalités exactes d'évaluation pourraient être adaptées en fonction des contraintes liées aux conditions sanitaires en vigueur au moment des sessions d'examens. 
Ressources
en ligne
Site Moodle du cours : LSTAT2450 - Statistical learning. Estimation, selection and inference.
https://moodleucl.uclouvain.be/course/view.php?id=14890
Bibliographie
  • Hastie, T., Tibshirani, R. and Friedman, J. (2009). The Elements of  Statistical Learning: Data Mining, Inference, and Prediction. Springer.
  • James, G., Witten, D., Hastie, T., and Tibshirani, R. (2014). An Introduction to Statistical Learning: With Applications in R. Springer
  • Hastie, T., Tibshirani, R. and Wainwright, M. J. (2015). Statistical Learning with Sparsity: The Lasso and Generalizations. Chapman and Hall/CRC.
  • Wainwright, M. J. (2019). High-Dimensional Statistics: A Non-Asymptotic Viewpoint. Cambridge University Press.
  • Bühlmann, P., van de Geer, S. (2011). Statistics for High-Dimensional Data. Springer.
Support de cours
  • Transparents du cours disponible sur moodle.
Faculté ou entité
en charge
LSBA


Programmes / formations proposant cette unité d'enseignement (UE)

Intitulé du programme
Sigle
Crédits
Prérequis
Acquis
d'apprentissage
Master [120] en statistique, orientation générale

Certificat d'université : Statistique et sciences des données (15/30 crédits)

Master [120] en science des données, orientation statistique