Cours
Tables de la loi normale et de la loi du {$\chi^2$} :
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
Tables de la loi normale et de la loi du {$\chi^2$} : [[2014_MAPSI_lois.pdf | lois.pdf]]
!!!%section%TME%%
Enoncé du TME :
!!!%section%TD / TME%%
Recueil de TD : [[(Attach:)2014_MAPSI_TD2.pdf | TD2.pdf]]
!!!%section%Ressources%%
Cours.Semaine2 History
Hide minor edits - Show changes to output
Changed line 57 from:
* Enoncé du TME : [[(Attach:)2020-tme2.tgz|2020-tme2.tgz]] (archive compressée)
to:
* Enoncé du TME : [[(Attach:)2020-tme2.zip|2020-tme2.zip]] (archive compressée)
Changed line 34 from:
et le poly en version 4 slides / page : [[(Attach:)2020_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
to:
et le poly en version 3 slides / page : [[(Attach:)2020_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
Changed lines 33-35 from:
Le poly du cours : [[(Attach:)2015_MAPSI_Cours2.pdf | cours2.pdf]]
et le poly en version 4 slides / page : [[(Attach:)2015_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
et le poly en version 4 slides / page : [[(Attach:)
to:
Le poly du cours : [[(Attach:)2020_MAPSI_Cours2.pdf | cours2.pdf]]
et le poly en version 4 slides / page : [[(Attach:)2020_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
et le poly en version 4 slides / page : [[(Attach:)2020_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
Changed lines 57-58 from:
* Enoncé du TME : [[(Attach:)2019-tme2.tgz|2019-tme2.tgz]] (archive compressée)
* Soumission des TME :
* Soumission des TME :
to:
* Enoncé du TME : [[(Attach:)2020-tme2.tgz|2020-tme2.tgz]] (archive compressée)
Changed line 57 from:
* Enoncé du TME : [[notebook tme2|tme2-2019.tgz]]
to:
* Enoncé du TME : [[(Attach:)2019-tme2.tgz|2019-tme2.tgz]] (archive compressée)
Changed lines 57-59 from:
* Enoncé du TME : [[Cours.TME2 | TME2]]
* Soumission des TME :%target=_blank% [[http://www-desir.lip6.fr/~gonzales/teaching/mapsi/soumission/soumission.php | lien]]%%
* Soumission des TME :
to:
* Enoncé du TME : [[notebook tme2|tme2-2019.tgz]]
* Soumission des TME :
* Soumission des TME :
Changed line 49 from:
Recueil de TD : [[(Attach:) 2017_MAPSI_TDall.pdf | lien]]
to:
Recueil de TD : cf semaine 1 (poly complet)
Changed line 49 from:
Recueil de TD : [[(Attach:)2015_MAPSI_TD2.pdf | TD2.pdf]]
to:
Recueil de TD : [[(Attach:) 2017_MAPSI_TDall.pdf | lien]]
Changed line 34 from:
et le poly en 4 slides / pages : [[(Attach:)2015_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
to:
et le poly en version 4 slides / page : [[(Attach:)2015_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
Changed line 34 from:
to:
et le poly en 4 slides / pages : [[(Attach:)2015_MAPSI_Cours2_4.pdf | cours2_4.pdf]]
Changed lines 57-59 from:
Enoncé du TME : [[Cours.TME2 | TME2]]
to:
* Enoncé du TME : [[Cours.TME2 | TME2]]
* Soumission des TME : %target=_blank% [[http://www-desir.lip6.fr/~gonzales/teaching/mapsi/soumission/soumission.php | lien]]%%
* Soumission des TME : %target=_blank% [[http://www-desir.lip6.fr/~gonzales/teaching/mapsi/soumission/soumission.php | lien]]%%
Changed line 51 from:
Tables de la loi normale et de la loi du {$\chi^2$} :
to:
Tables de la loi normale, de la loi du {$\chi^2$} et de la loi de Student:
Changed lines 33-35 from:
Le poly du cours : [[(Attach:)2014_MAPSI_Cours2.pdf | cours2.pdf]]
to:
Le poly du cours : [[(Attach:)2015_MAPSI_Cours2.pdf | cours2.pdf]]
Changed lines 49-50 from:
Recueil de TD : [[(Attach:)2014_MAPSI_TD2.pdf | TD2.pdf]]
to:
Recueil de TD : [[(Attach:)2015_MAPSI_TD2.pdf | TD2.pdf]]
Changed line 52 from:
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
to:
[[(Attach:)2015_MAPSI_lois.pdf | lois.pdf]]
Changed lines 62-63 from:
# convergences : %target=_blank% http://nobelis.eu/photis/PrLimit/conv_loi.html %%
to:
# convergences : %target=_blank% http://nobelis.eu/photis/PrLimit/conv_loi.html %%
# Poly de probas et stats de DEUST [[http://www-desir.lip6.fr/~gonzales/teaching/polys/deust-probas-02-03.pdf | deust.pdf]]
# Poly de probas et stats de DEUST [[http://www-desir.lip6.fr/~gonzales/teaching/polys/deust-probas-02-03.pdf | deust.pdf]]
Added lines 51-54:
Tables de la loi normale et de la loi du {$\chi^2$} :
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
Deleted lines 57-59:
Tables de la loi normale et de la loi du {$\chi^2$} :
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
Changed lines 55-56 from:
Tables de la loi normale et de la loi du {$\chi^2$} : [[2014_MAPSI_lois.pdf | lois.pdf]]
to:
Tables de la loi normale et de la loi du {$\chi^2$} :
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
[[(Attach:)2014_MAPSI_lois.pdf | lois.pdf]]
Added lines 54-55:
Tables de la loi normale et de la loi du {$\chi^2$} : [[2014_MAPSI_lois.pdf | lois.pdf]]
Changed line 53 from:
Enoncé du TME :
to:
Enoncé du TME : [[Cours.TME2 | TME2]]
Changed lines 47-48 from:
!!!%section%TD / TME%%
to:
!!!%section%TD%%
Added lines 50-53:
!!!%section%TME%%
Enoncé du TME :
Changed line 54 from:
# convergences : http://nobelis.eu/photis/PrLimit/conv_loi.html
to:
# convergences : %target=_blank% http://nobelis.eu/photis/PrLimit/conv_loi.html %%
Added lines 53-54:
# Gilbert Saporta, Probabilités, analyse des données et statistique, Editions TECHNIP, 2006
# convergences : http://nobelis.eu/photis/PrLimit/conv_loi.html
# convergences : http://nobelis.eu/photis/PrLimit/conv_loi.html
Changed line 33 from:
Le poly du cours : [[(Attach:)cours2.pdf]]
to:
Le poly du cours : [[(Attach:)2014_MAPSI_Cours2.pdf | cours2.pdf]]
Added lines 46-49:
!!!%section%TD / TME%%
Recueil de TD : [[(Attach:)2014_MAPSI_TD2.pdf | TD2.pdf]]
Added lines 33-35:
Le poly du cours : [[(Attach:)cours2.pdf]]
Changed lines 46-49 from:
to:
Added line 48:
Changed lines 8-9 from:
il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on
s'appuiera sur celle-ci dans les cours 3 et 4.
to:
il s'agit d'une propriété fondamentale en apprentissage de paramètres et
l'on s'appuiera sur celle-ci dans les cours 3 et 4.
l'on s'appuiera sur celle-ci dans les cours 3 et 4.
Changed lines 11-13 from:
cette propriété est l'un des deux fondements qui permettent la manipulation de
probabilités de grandes tailles sur ordinateur (utilisées par exemple
diagnostic de panne, etc).
probabilités de grandes tailles sur ordinateur (utilisées par exemple
to:
cette propriété est l'un des deux fondements qui permettent la manipulation
de probabilités de grandes tailles sur ordinateur (utilisées par exemple
pour réaliser des diagnostic de panne, etc).
de probabilités de grandes tailles sur ordinateur (utilisées par exemple
pour réaliser des diagnostic de panne, etc).
Changed lines 15-16 from:
Ce sont les loi suivies par des expériences de type pile ou face. Elles forment le fondement
des lois multinomiales, qui sont très utilisées en intelligence artificielle.
to:
Ce sont les loi suivies par des expériences de type pile ou face. Elles
forment le fondement des lois multinomiales, qui sont très utilisées en
intelligence artificielle.
forment le fondement des lois multinomiales, qui sont très utilisées en
intelligence artificielle.
Changed lines 19-21 from:
Il s'agit probablement de la loi continue la plus importante en probas / stats. Dès lors
que l'on s'intéresse à des sommes ou des moyennes de variables aléatoires, on aboutit
inéluctablement à cette loi.
to:
Il s'agit probablement de la loi continue la plus importante en probas /
stats. Dès lors que l'on s'intéresse à des sommes ou des moyennes de
variables aléatoires, on aboutit inéluctablement à cette loi.
stats. Dès lors que l'on s'intéresse à des sommes ou des moyennes de
variables aléatoires, on aboutit inéluctablement à cette loi.
Changed lines 23-25 from:
Il s'agit du principe qui justifie qu'à partir d'échantillons observés, on sera en mesure
d'estimer les distributions de probabilité des variables aléatoires qui ont engendré ces
échantillons. Cela nous servira, notamment, à justifier que les algorithmes d'apprentissage
to:
Il s'agit du principe qui justifie qu'à partir d'échantillons observés, on
sera en mesure d'estimer les distributions de probabilité des variables
aléatoires qui ont engendré ces échantillons. Cela nous servira, notamment,
à justifier que les algorithmes d'apprentissage
sera en mesure d'estimer les distributions de probabilité des variables
aléatoires qui ont engendré ces échantillons. Cela nous servira, notamment,
à justifier que les algorithmes d'apprentissage
Changed lines 29-33 from:
Ce théorème est la justification que toute somme ou moyenne de variables aléatoires
indépendantes suivant la même loi (quelle qu'elle soit) suit approximativement une loi
normale.
!!!%section%Quelques exemplesvus en cours%%
!!!%section%Quelques exemples
to:
Ce théorème est la justification que toute somme ou moyenne de variables
aléatoires indépendantes suivant la même loi (quelle qu'elle soit) suit
approximativement une loi normale.
!!!%section%Quelques exemples abordés en cours%%
# A-t-on intérêt à parier sur le fait que 2 étudiants de MAPSI ont le même
jour de naissance ?
# Utilisation des indépdances conditionnelles pour les performances de
moteurs d'avion et le monitoring de patients
# La planche de Galton
# Utilisation de lois normales pour proposer des recommandations et faire
du tracking d'objets dans des séquences vidéos.
aléatoires indépendantes suivant la même loi (quelle qu'elle soit) suit
approximativement une loi normale.
!!!%section%Quelques exemples abordés en cours%%
# A-t-on intérêt à parier sur le fait que 2 étudiants de MAPSI ont le même
jour de naissance ?
# Utilisation des indépdances conditionnelles pour les performances de
moteurs d'avion et le monitoring de patients
# La planche de Galton
# Utilisation de lois normales pour proposer des recommandations et faire
du tracking d'objets dans des séquences vidéos.
Changed lines 31-32 from:
!!!%section%Exemples vus en cours%%
to:
!!!%section%Quelques exemples vus en cours%%
Added lines 34-35:
Changed line 7 from:
# %course_topic%''Indépendance mutuelle'' :%%
to:
# %course_topic%''Indépendance mutuelle'' : %%
Changed lines 10-20 from:
# %course_topic%''Indépendance conditionnelle'' :%% cette propriété est l'un des deux fondements qui permettent la manipulation de probabilités de grandes tailles sur ordinateur (utilisées par exemple pour réaliser des diagnostic de panne, etc).
# Loi de Bernoulli / Loi binomiale
# Loi normale
# Loi des grands nombres
# Théorème central-limite
!!!Exemples vus en cours
!!!Ressources
!!!Bibliographie
# Loi de Bernoulli / Loi binomiale
#
# Loi des grands nombres
# Théorème central-limite
!!!Exemples vus en cours
to:
# %course_topic%''Indépendance conditionnelle'' : %%
cette propriété est l'un des deux fondements qui permettent la manipulation de
probabilités de grandes tailles sur ordinateur (utilisées par exemple pour réaliser des
diagnostic de panne, etc).
# %course_topic%''Loi de Bernoulli / Loi binomiale'' : %%
Ce sont les loi suivies par des expériences de type pile ou face. Elles forment le fondement
des lois multinomiales, qui sont très utilisées en intelligence artificielle.
# %course_topic%''Loi normale'' : %%
Il s'agit probablement de la loi continue la plus importante en probas / stats. Dès lors
que l'on s'intéresse à des sommes ou des moyennes de variables aléatoires, on aboutit
inéluctablement à cette loi.
# %course_topic%''Loi des grands nombres'' : %%
Il s'agit du principe qui justifie qu'à partir d'échantillons observés, on sera en mesure
d'estimer les distributions de probabilité des variables aléatoires qui ont engendré ces
échantillons. Cela nous servira, notamment, à justifier que les algorithmes d'apprentissage
que l'on développera produisent des résultats sensés.
# %course_topic%''Théorème central-limite'' : %%
Ce théorème est la justification que toute somme ou moyenne de variables aléatoires
indépendantes suivant la même loi (quelle qu'elle soit) suit approximativement une loi
normale.
!!!%section%Exemples vus en cours%%
!!!%section%Ressources%%
!!!%section%Bibliographie%%
cette propriété est l'un des deux fondements qui permettent la manipulation de
probabilités de grandes tailles sur ordinateur (utilisées par exemple pour réaliser des
diagnostic de panne, etc).
# %course_topic%''Loi de Bernoulli / Loi binomiale'' : %%
Ce sont les loi suivies par des expériences de type pile ou face. Elles forment le fondement
des lois multinomiales, qui sont très utilisées en intelligence artificielle.
# %course_topic%''Loi normale'' : %%
Il s'agit probablement de la loi continue la plus importante en probas / stats. Dès lors
que l'on s'intéresse à des sommes ou des moyennes de variables aléatoires, on aboutit
inéluctablement à cette loi.
# %course_topic%''Loi des grands nombres'' : %%
Il s'agit du principe qui justifie qu'à partir d'échantillons observés, on sera en mesure
d'estimer les distributions de probabilité des variables aléatoires qui ont engendré ces
échantillons. Cela nous servira, notamment, à justifier que les algorithmes d'apprentissage
que l'on développera produisent des résultats sensés.
# %course_topic%''Théorème central-limite'' : %%
Ce théorème est la justification que toute somme ou moyenne de variables aléatoires
indépendantes suivant la même loi (quelle qu'elle soit) suit approximativement une loi
normale.
!!!%section%Exemples vus en cours%%
!!!%section%Ressources%%
!!!%section%Bibliographie%%
Changed lines 7-9 from:
# %course_topic%''Indépendance mutuelle'' :%% il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on s'appuiera sur celle-ci dans les cours 3 et 4.
to:
# %course_topic%''Indépendance mutuelle'' :%%
il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on
s'appuiera sur celle-ci dans les cours 3 et 4.
il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on
s'appuiera sur celle-ci dans les cours 3 et 4.
Added line 2:
%define=section color=blue%
Changed lines 5-8 from:
!!!Contenu du cours
#course_topic%''Indépendance mutuelle'' :%% il s'agit d'une propriété fondamentale en apprentissage de paramètres
# indépendance conditionnelle
#
# indépendance conditionnelle
to:
!!!%section%Contenu du cours%%
# %course_topic%''Indépendance mutuelle'' :%% il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on s'appuiera sur celle-ci dans les cours 3 et 4.
# %course_topic%''Indépendance conditionnelle'' :%% cette propriété est l'un des deux fondements qui permettent la manipulation de probabilités de grandes tailles sur ordinateur (utilisées par exemple pour réaliser des diagnostic de panne, etc).
# %course_topic%''Indépendance mutuelle'' :%% il s'agit d'une propriété fondamentale en apprentissage de paramètres et l'on s'appuiera sur celle-ci dans les cours 3 et 4.
# %course_topic%''Indépendance conditionnelle'' :%% cette propriété est l'un des deux fondements qui permettent la manipulation de probabilités de grandes tailles sur ordinateur (utilisées par exemple pour réaliser des diagnostic de panne, etc).
Added line 1:
%define=course_topic color=red%
Changed line 6 from:
# ''Indépendance mutuelle'' :
to:
# %course_topic%''Indépendance mutuelle'' :%% il s'agit d'une propriété fondamentale en apprentissage de paramètres
Changed line 5 from:
# Indépendance mutuelle
to:
# ''Indépendance mutuelle'' :
Changed lines 1-4 from:
!!Cours 2 : rappels de probas / stats!!
!!Contenu du cours!!!
to:
!!Cours 2 : rappels de probas / stats
!!!Contenu du cours
!!!Contenu du cours
Changed lines 12-16 from:
!!!Exemples vus en cours!!!
Ressources!!!
!!!Bibliographie!!!
!!!Bibliographie!!!
to:
!!!Exemples vus en cours
!!!Ressources
!!!Bibliographie
!!!Ressources
!!!Bibliographie
Added lines 1-16:
!!Cours 2 : rappels de probas / stats!!
!!!Contenu du cours!!!
# Indépendance mutuelle
# indépendance conditionnelle
# Loi de Bernoulli / Loi binomiale
# Loi normale
# Loi des grands nombres
# Théorème central-limite
!!!Exemples vus en cours!!!
!!!Ressources!!!
!!!Bibliographie!!!
!!!Contenu du cours!!!
# Indépendance mutuelle
# indépendance conditionnelle
# Loi de Bernoulli / Loi binomiale
# Loi normale
# Loi des grands nombres
# Théorème central-limite
!!!Exemples vus en cours!!!
!!!Ressources!!!
!!!Bibliographie!!!