Domaine : TS 4 Statistiques/epidemiologie

Sous-domaine : Statistiques

Entité organisatrice : DR GRAND OUEST

Délégation régionale : DR GRAND OUEST

Région : Grand Ouest

Date limite d'inscription : 05/12/25

Public : Toute personne souhaitant comprendre la demarche de mise en place d'un modele predictif

Métiers :

Pré-requis : Bonnes connaissances de base en statistiques (statistiques descriptives, intervalles de confiance, tests d'hypotheses)

Objectif : > Definir le contexte et les objectifs des methodes de prediction > Mettre en oeuvre et interpreter les resultats des methodes suivantes : regression lineaire simple et multiple, regression de Poisson, regression Zip, approche predictive via les outils de Machine Learning (knn, arbres de decisions) > Verifier leurs conditions de mise en oeuvre > Identifier et prendre en compte les problemes de multi colinearites sur les modeles lineaires > Mesurer la qualite d'ajustement et la qualite de prediction du modele > Appliquer les notions de validations croisees aux modeles mis en oeuvre > Utiliser les methodes de type Machine Learning dans le contexte des predictions > Connaitre la demarche de validite d'un modele (validation croisee, Loo, kfold, ...)

Programme : >>> Rappels sur les outils statistiques de base Grandeur de position, de dispersion, de correlation, intervalle de confiance, tests d'hypotheses, ... >>> Modelisation de type regression lineaire simple et multiple Concepts mathematiques ; Tests de significativite ; Hierarchie des coefficients ; Utilisation du modele ; Traitement graphique des resultats ; Inference des variables (statistique de Fisher) ; Analyse des residus ; Valeurs suspectes et points influents ; Mesures des colinearites ; Problemes lies a la colinearite >>> Validation d'un modele Qualite du modele, d'ajustement, de prediction, coefficient de determination (R2), erreur d'estimation ; Prediction de valeurs individuelles ; Intervalles de confiances des predictions ; Validation d'un modele de regression croisee (methodes leave one out, k-fold ...) >>> Regression de Poisson et regression Zip >>> Modelisation de variables qualitatives par la regression logistique >>> Approches predictives par les methodes type Machine Learning Demarche des algorithmes de classifications ; Methode des knn ; Application a la prediction d'une variable quantitative >>> Approches Machine Learning pour les variables qualitatives Methodes knn des plus proches voisins ; Algorithme de calcul ; Distances entre individus et choix des proximites ; Ouverture sur le Svm ; Autres approches

Modalités pédagogiques : - Explications theoriques suivies de pratiques guidees puis mises en autonomie - TP sur logiciels gratuits (R ou autres)

Intervenant(s) : Thierry ANTHOURD - Ste ARKESYS

Nom : HAYS

Prénom : Michele

Fonction : Chargee du developpment des competences

Téléphone : 02 40 35 86 80

Mail :

Adresse : INSERM DR GO - 24 Bd Vincent Gache - Atlantica

Ville : NANTES

Code postal : 44200