Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Après avoir terminé Réflexion statistique en Python (Partie 1), vous avez l’état d’esprit probabiliste et les bases du hacker stats pour plonger dans des jeux de données et en extraire des informations utiles. Dans ce cours, vous allez justement faire cela, en élargissant et en affinant votre boîte à outils de hacker stats pour réaliser les deux tâches clés de l’inférence statistique : l’estimation de paramètres et les tests d’hypothèse. Vous travaillerez sur de véritables jeux de données tout au long de l’apprentissage, avec pour point d’orgue l’analyse des mesures des becs des célèbres pinsons de Darwin. Vous ressortirez de ce cours avec de nouvelles connaissances et beaucoup de pratique, prêt à vous attaquer à vos propres problèmes d’inférence dans le monde réel.
Prérequis
Programme de formation
Plan du cours
1
Estimation de paramètres par optimisation
En inférence statistique, nous parlons le langage des probabilités. Une loi de probabilité qui décrit vos données possède des paramètres. Un objectif majeur de l’inférence statistique est donc d’estimer la valeur de ces paramètres, ce qui nous permet de décrire nos données de façon concise et sans ambiguïté et d’en tirer des conclusions. Dans ce chapitre, vous apprendrez à trouver les paramètres optimaux, ceux qui décrivent le mieux vos données.
- Paramètres optimaux50 XP
- À quelle fréquence observe-t-on des « no-hitters » ?100 XP
- Les données confirment-elles notre histoire ?100 XP
- En quoi ce paramètre est-il optimal ?100 XP
- Régression linéaire par moindres carrés50 XP
- EDA sur les données d’analphabétisme/fertilité100 XP
- Régression linéaire100 XP
- En quoi est-ce optimal ?100 XP
- L’importance de l’EDA : le quartette d’Anscombe50 XP
- L’importance de l’EDA50 XP
- Régression linéaire sur des données pertinentes d’Anscombe100 XP
- Régression linéaire sur l’ensemble des données d’Anscombe100 XP
2
Intervalles de confiance par bootstrap
« Se hisser par ses propres bootstraps » est une expression classique qui signifie réussir une tâche difficile par soi-même, sans aucune aide. En inférence statistique, vous voulez savoir ce qui se passerait si vous pouviez répéter votre acquisition de données un nombre infini de fois. Cette tâche est impossible, mais peut-on utiliser uniquement les données dont nous disposons pour s’approcher du même résultat qu’une infinité d’expériences ? La réponse est oui ! La technique pour y parvenir s’appelle à juste titre le bootstrap. Ce chapitre va vous présenter cet outil extraordinairement puissant.
3
Introduction aux tests d’hypothèse
Vous savez désormais comment définir et estimer des paramètres à partir d’un modèle. Mais une question demeure : est-il raisonnable d’observer vos données si le modèle est vrai ? Cette question est traitée par les tests d’hypothèse. Ils constituent la touche finale de l’inférence. À l’issue de ce chapitre, vous serez en mesure de formuler et tester des hypothèses avec rigueur en utilisant les hacker statistics.
4
Exemples de tests d’hypothèse
Comme vous l’avez vu au chapitre précédent, les tests d’hypothèse peuvent être un peu délicats. Il faut définir l’hypothèse nulle, déterminer comment la simuler, et préciser clairement ce que « plus extrême » signifie afin de calculer la p-valeur. Comme pour toute compétence, la pratique est essentielle, et ce chapitre vous propose de bons exercices de mise en pratique des tests d’hypothèse.
5
Tout rassembler : une étude de cas
Chaque année depuis plus de 40 ans, Peter et Rosemary Grant se rendent sur l’île de Daphne Major, dans l’archipel des Galápagos, et collectent des données sur les pinsons de Darwin. En mobilisant vos compétences en inférence statistique, vous passerez ce chapitre sur leurs données et observerez, grâce aux données, l’évolution à l’œuvre. Une façon enthousiasmante de conclure le cours !
Réflexion statistique en Python (Partie 2)
Cours
terminé
