Statistical methods and data analysis

Durée

20h Th, 30h Pr

Nombre de crédits

Enseignant

Valentin Christiaens, Maxime Fays, Guy Munhoven, Dominique Sluse

Coordinateur(s)

Maxime Fays

Langue(s) de l'unité d'enseignement

Langue anglaise

Organisation et évaluation

Enseignement au premier quadrimestre, examen en janvier

Horaire

Horaire en ligne

Unités d'enseignement prérequises et corequises

Les unités prérequises ou corequises sont présentées au sein de chaque programme

Contenus de l'unité d'enseignement

Ce cours propose une introduction pratique au language de programmation Python ainsi qu'aux méthodes numériques couramment utilisées en astrophysique et en sciences spatiales. Il donne également un aperçu et une initiation à quelques outils de développement utiles à l'implémentation ou l'intégration de ces méthodes, et pouvant plus généralement aider les scientifiques dans leurs tâches au quotidien.

Le cours se divise en deux parties principales :

• La partie Programmation présente une vue d'ensemble des outils du développeur (Shell, IDE, types de langages et leur usage, systèmes de contrôle de version de type Git), ainsi qu'une introduction au langage Python et à ses libraires scientifiques de base (Numpy / Scipy / Matplotlib / Astropy).
• La partie Méthodes Numériques vise à introduire les étudiants et étudiantes à une gamme étendue de méthodes numériques. Suivant les intérêts et besoins des étudiants et étudiantes, plusieurs éléments parmi les thèmes suivants seront étudiés:  les méthodes numériques d'inférence statistique classique ou fréquentiste (Maximum Likelihood Estimation, estimation des intervalles de confiance via Jackknife et bootstrapping, test d'hypothèse), les méthodes d'inférence statistique bayésienne (MCMC appliquée à l'estimation d'intervalles de confiance, à la sélection de modèles), le calcul de transformées de Fourier, l'echantillonnage de données et le filtrage. La présentation de ces méthodes est accompagnée d'exemples et de problèmes concrets.

Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement

• Comprendre les principes de base d'une gamme étendue de méthodes numériques couramment utilisées en sciences spatiales et en astrophysique.

• Etre capable d'implémenter un traitement numérique ainsi que les opérations relatives à son exécution et/ou l'exploitation des résultats (entrée/sortie, visualisation, etc.).

• Suivre les bonnes pratiques en matière de programmation et développement de projet (lisibilité, reproductibilité...).

Savoirs et compétences prérequis

Une maîtrise des concepts de base de la programmation (boucles, boucles conditionelles, fonction, notions d'objet, ...), par exemple abordés dans le cours "Introduction à la programmation (INFO0201-1)". Une connaissance de base en statistiques (calcul de probabilités, probabilités conditionnelles, notions d'inférence bayésienne) telle qu'enseignée, p.ex., dans le cours "Statistique des données expérimentales de la physique STAT0064-3" est également indispensable.

Activités d'apprentissage prévues et méthodes d'enseignement

Le support du cours théorique est sous forme de notebooks Jupyter (http://jupyter.org) qui contiennent, en plus de la matière vue, des exemples et des petits exercices interactifs permettant aux étudiants une expérience directe des méthodes et notions présentées. Les travaux pratiques sont consacrés à l'étude de problèmes plus avancés dont la résolution se fera à l'aide de librairies Python dans lesquelles plusieurs algorithmes vus au cours sont implémentés.
 

Mode d'enseignement (présentiel, à distance, hybride)

Cours donné exclusivement en présentiel


Explications complémentaires:

Cours donné exclusivement en présentiel


Explications complémentaires:

En cas de limitation de l'enseignement en présentiel, le cours sera également transmis en ligne. Les consignes de connexion seront transmises en temps voulu.

Lectures recommandées ou obligatoires et notes de cours

Le cours s'appuiera principalement sur le livre suivant ainsi que sur divers notebooks et cours en ligne existants:

• 'Statistics, Data Mining and Machine Learning in Astronomy', Ivezic, Connolly, VanderPlas, and Gray, 2012 (Princeton University Press) (http://www.astroml.org/)
• 'Numerical recipes, Press et al. (Cambridge University Press) (available at http://www2.units.it/ipl/students_area/imm2/files/Numerical_Recipes.pdf)
• 'All of statistics: a concise course in statistical inference', Wasserman 2004
• http://swcarpentry.github.io/git-novice/

Modalités d'évaluation et critères

Examen(s) en session

Toutes sessions confondues

- En présentiel

évaluation écrite ( questions ouvertes ) ET évaluation orale

- En distanciel

évaluation écrite ( questions ouvertes ) ET évaluation orale


Explications complémentaires:

L'évaluation sera fondée sur

• un examen écrit (notebook) + oral;
• et/ou la réalisation et la présentation d'un projet de recherche et de programmation (personnel ou par petits groupes)

Stage(s)

Il n'y a pas de stage prévu dans le cadre de ce cours.

Remarques organisationnelles et modifications principales apportées au cours

Le cours (y compris les travaux pratiques/dirigés) sera donné au premier quadrimestre, à partir du 18.09.2023. Les séances sont généralement  prévues les lundis et les mercredis, de 16:00 à 18:00 dans la salle des ordinateurs 2.25 (bât. B5a). Veuillez consulter Celcat pour l'horaire exact et pour d'éventuels changements de dernière minute.

Contacts

Dominique Sluse
Université de Liège
Institut d'Astrophysique et de Géophysique (Bât. B5c)
17, allée du Six-Août
B-4000 Liège
Tél.: (+32) (4) 366 9797  (D. Sluse)

eMail: dsluse@uliege.be

Association d'un ou plusieurs MOOCs

Aucun MOOC n'est associé à ce cours.

Notes en ligne