Study programme 2020-2021 | Français | ||
Science des données III : exploration et prédiction | |||
Learning Activity |
Code | Lecturer(s) | Associate Lecturer(s) | Subsitute Lecturer(s) et other(s) | Establishment |
---|---|---|---|---|
S-BIOG-025 |
|
|
Language of instruction | Language of assessment | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Term |
---|---|---|---|---|---|---|---|
Français | Français | 15 | 15 | 0 | 0 | 0 | Q1 |
Organisational online arrangements for the end of Q3 2020-2021 assessments (Covid-19) |
---|
|
Description of the modifications to the Q3 2020-2021 assessment procedures (Covid-19) |
Suite aux modifications pour les évaluations imposées par la crise Covid-19 (examen à distance), l'évaluation se fera sur base d'un dépôt Github ClassRoom contenant un exercice pratique à résoudre. Le type de rapport attendu est similaire à ceux effectués durant l'année, avec une évaluation identique (organisation des fichiers, contenu, rapport reproductible et exécutable, spécification de la question, analyses en rapport avec la question et discussion/conclusions cohérentes). Les différents exercices des modules du cours doivent également être terminés et seront comptabilisés. Le travail est individuel. Le plagiat sera sanctionné. |
Organisational arrangements for the end of Q1 2020-2021 assessments (Covid-19) online or face-to-face (according to assessment schedule)
Description of the modifications to the Q1 2020-2021 online assessment procedures (Covid-19) online or face-to-face (according to assessment schedule)
Suite à la pandémie Covid-19, l'examen se fera par écrit à distance. Les étudiant reçevront une question et devront y répondre en une page maximum par étudiant. Le travail se fait à cahier ouvert, avec accès à toute référence souhaitable, et peut se faire seul ou par groupe (-mais alors, la contribution de chacun doit être clairement indiquée dans le rapport de groupe, en tête de chaque section-). La contribution à l'écrit de chaque étudiant est limitée à une page hors illustrations. Un style concis est accepté. Les références bibliographiques éventuelles doivent être clairement indiquées selon l'usage. Le "plagiat" (réponses trop similaires de deux ou plusieurs étudiants) sera sanctionné. Les étudiants qui souhaitent travailler à plusieurs doivent remettre un travail de groupe avec des parties clairement indiquées comme étant la contribution de chacun.
Content of Learning Activity
The chapters of this UE are :
- Classification I - bases & LDA
- Classification II - metrics & trees methods
- Classification III = SVM, deep learning
- Time series I - description, ACF, spectral analysis
- Time series II - decomposition & regularisation
- Spatial statistics, maps & krigging
Required Learning Resources/Tools
Not applicable
Recommended Learning Resources/Tools
Not applicable.
Other Recommended Reading
Barnier, J., 2018. Introduction à R et au tidyverse (https://juba.github.io/tidyverse/index.html). Ismay, Ch. & Kim A.Y, 2018. Moderndive: An introduction to statistical and data science via R (http://moderndive.com). Wickham, H. & Grolemund, G, 2017. R for data science (http://r4ds.had.co.nz). Zar, J.H., 2010. Biostatistical analysis (5th ed.). Pearson Education, London. 944pp. Dagnelie, P., 2007. Statistique théorique et appliquée, Volumes I et II (2ème ed.). De Boeck & Larcier, Bruxelles. 511pp (vol. I) 734pp (vol. II). Venables W.N. & B.D. Ripley, 2002. Modern applied statistics with S-PLUS (4th ed.). Springer, New York, 495 pp. Legendre, P. & L. Legendre, 1998. Numerical ecology (2nd ed.). Springer Verlag, New York. 587 pp.
Mode of delivery
Type of Teaching Activity/Activities
Evaluations
The assessment methods of the Learning Activity (AA) are specified in the course description of the corresponding Educational Component (UE)