Durée
24h Th, 12h Pr, 40h Proj.
Nombre de crédits
| Master en science des données, à finalité | 5 crédits | |||
| Master : ingénieur civil en science des données, à finalité | 5 crédits | |||
| Master en sciences mathématiques, à finalité | 8 crédits |
Enseignant
Langue(s) de l'unité d'enseignement
Langue anglaise
Organisation et évaluation
Enseignement au deuxième quadrimestre
Horaire
Unités d'enseignement prérequises et corequises
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement
Le cours couvre (une sélection de) les sujets suivants :
1 Introduction
2 Models and challenges
3 Generating random variables
4 Generating random processes
5 Monte Carlo Integration and Optimization
6 Markov Chain Monte Carlo
7 Statistical analysis of simulation data
8 Variance reduction
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement
Ce cours contribue aux acquis d'apprentissage I.1, I.2, I.3, II.1, IV.4, VI.1, VII.2, VII.4 du programme d'ingénieur civil en science des données.
Une bonne compréhension des problématiques liées à la simulation et à l'échantillonnage.
Savoirs et compétences prérequis
Pour suivre ce cours il est indispensable d'avoir de bonnes bases en
- théorie des probabilités (mesures de probabilité, lois usuelles univariées, lois multivariées, TCL, loi des grands nombres, ...)
- statistique paramétrique (vraisemblance d'un modèle, information de Fisher, tests statistiques courants, intervalles de confiance, ...)
Référence pour les bases :
Casella, George, and Roger L. Berger. Statistical inference. Vol. 2. Pacific Grove, CA: Duxbury, 2002.
Activités d'apprentissage prévues et méthodes d'enseignement
Le cours est proposé sous forme de vidéos en ligne que l'étudiant peut visionner à son propre rythme. Il se compose de séances théoriques ainsi que de séances pratiques (écrites et sur ordinateur). Des sessions de questions-réponses seront organisées régulièrement.
Mode d'enseignement (présentiel, à distance, hybride)
Combinaison d'activités d'apprentissage en présentiel et en distanciel
Explications complémentaires:
Les cours se donneront via des vidéos en ligne.
Des séances de questions/réponses seront organisées régulièrement. Les détails seront communiqués sur eCampus.
Lectures recommandées ou obligatoires et notes de cours
Toutes les informations (notes de cours, énoncés de projet, énoncés d'exercices, vidéos) seront mises à disposition par eCampus.
Références
Kroese, Dirk P., Thomas Taimre, and Zdravko I. Botev. Handbook of Monte Carlo Methods. Vol. 706. John Wiley & Sons, 2013.
Robert, Christian, and George Casella. Monte Carlo Statistical Methods. Springer Science & Business Media, 2013.
Robert, Christian P., George Casella, and George Casella. Introducing monte carlo methods with R. Vol. 18. New York: Springer, 2010.
Modalités d'évaluation et critères
Examen(s) en session
Toutes sessions confondues
- En présentiel
évaluation orale
Travail à rendre - rapport
Explications complémentaires:
L'évaluation du cours passe par la réalisation d'un projet individuel.
Si souhaité, une poursuite orale de l'examen est possible. L'examen oral peut modifier la note finale jusqu'à 2 points, positifs ou négatifs. Cet examen orale consistera d'une question théorique et une question/clarification sur le projet achevé.
Stage(s)
Remarques organisationnelles et modifications principales apportées au cours
Contacts
Professeur: Arnout Van Messem