#Plan du cours

# 0. Introduction Statistiques et Machine Learning https://docs.google.com/presentation/d/1M6horPFjIoQr9qR4M1ens85qqPr1BGmA0u_f5n8NBDQ/preview

# I. Modélisation Statistique

a. Nettoyage de données, Manipulation de données et statistiques descriptives

Théorie

Cas Pratique : Analyse données Télévision (source INSEE)

https://docs.google.com/presentation/d/1is9cpPJhGqPTseEZOU7j5yEdpBQeg0oAHoq74J6JTP8/preview

##Modélisation : Régression multinomiale ###Théorie : Comment comparer deux modèles ? Econométrie et Machine Learning. Que peut-on prédire ? ###Cas Pratique : Prédiction du salaire (par modèles économétriques) https://docs.google.com/presentation/d/1QN5bw585fTD6ppsrY2U-0U_bQcJG4WwnEapUcfmIWAs/preview

# II. Machine Learning

##Boosting, Regression Tree, Gradient ###Théorie https://docs.google.com/presentation/d/1Ale-HnPElFmcSkq8FPzraygIKZuAygILnNJj7bOY928/preview ###Cas Pratiques : https://archive.ics.uci.edu/ml/datasets/Car+Evaluation https://archive.ics.uci.edu/ml/datasets/Energy+efficiency

# Pré-requis techniques: Python 3.5+, notebook jupyter et modules python : pandas / scikit-learn / matplotlib Voir les tutoriels suivants :

• https://pandas.pydata.org/pandas-docs/stable/install.html
• http://scikit-learn.org/stable/install.html
• Notebook