2023-.: M1 D3S & SE – Probability and Statistics for Data Science – TSE
- Statistical Models
- Functions of random variables
- Risk
- Decision theory and Cramer-Rao efficiency
- Gaussian Vectors
2022-.: M1 D3S & SE – Foundation of Machine Learning – TSE
- Confidence intervals
- Statistical testing
- Introduction to Statistical Learning Theory
- Empirical Risk Minimization
2018-2023: M1 D3S & SE – Optimization for big data – TSE
Convex optimization problems, gradient descent, Lasso method, stochastic gradient descent:
2020-.: Maths of Deep Learning – TSE
- Lectures 0a and 0b
- Lecture 1: Big Data & Optimization
- Lecture 2: High dimensional regression
- Lecture 3: Collaborative filtering
- Lecture 4: Mixture models with EM
- Lecture 5: CART – Random Forest – Boosting
- Lecture 6: Sequential Learning
- Lecture 7: Bandit Algorithms
2018-2019: MAP 361
- Petite Classe 1
- Petite Classe 2
- Petite Classe 3
- Petite Classe 4
- Petite Classe 5
- Petite Classe 6
- Petite Classe 7
- Petite Classe 8
- Petite Classe 9
2016-2018: M2 UT3 RI: Lecture Notes M2RI (Stochastic Optimization: Convex methods, Stochastic gradient, Ergodicity of Markov processes, Bayesian statistics, Simulated Annealing)
2015-2018: M1Eco-Maths Lecture: Advanced Analysis (Hilbert spaces, Convex separations, Fixed point theorems, theoretical applications in economics
2014-2015: L1 Economics and Mathematics Lecture: Linear Algebra – Graduate Lecture
- Tutorial 1: Linear systems
- Tutorial 2: Matrices
- Tutorial 3: Matrices (advanced calculus)
- Tutorial 4: Vector spaces – Basics
- Tutorial 5: Vector spaces – Independent family
- Tutorial 6: Vector spaces – Dimension
- Homework: Linear algebra
2014-2015: Statistics and Econometrics Lecture: Big Data – Statistical Data Science
- Reminders on Optimization – Session 1 TP1 – Session 1
- High Dimensional Regression – Session 2 TP2 – Session 2 R Code
- TP3 Practical illustration from the Cookie dataset (from Wikistat)
- Supervised Classification: Naive Bayes – Nearest Neighbour rule
- Support Vector Machine TP4 Useful files Ozone Dataset
2014-2015: coordinator of the Magistère d’Economiste Statisticien.
Lecture: Cours de Mise à niveau L3 – Maths 1
2013-2014: coordinator of the future MAPI3 formation, for the statistical side.
2011-2013: M2R Toulouse Maths Appli course: Stabilité des dynamiques markoviennes et comportement en temps long. Algorithmes stochastiques.
2009-2012: Main coordinator of the Préparation à l’agrégation de Mathématiques de Toulouse.
Now, Stéphane Lamy and Marc Perret are in charge. Contact them for further informations on this excellent formation.
2008-2009: Main coordinator of the M2 Pro Statistiques et Informatique Décisionnelle
2005-2012: Support of the Probability and Statistics Option (Forthcoming), M2 Enseignement Préparation à l’agrégation de Mathématiques de Toulouse.
2005-.: L3-M1-M2 Slides on data analysis, statistical learning and artificial intelligence (Forthcoming).
2002-2005: M2 « Monitorat » for the students of Ecole Normale Supérieure de Cachan / Agrégation de Mathématiques level.
Teaching Stuff
Documents « Agrégation de Mathématiques, Probabilités et Statistiques » Archive
- Documents sur la simulation de variables aléatoires: Fichier 1, Fichier 2, TP1, TP2, Echantillonage Préférentiel
- Estimation paramétrique: CM, TP
- Maximum de vraisemblance: TD MLE
- Théorème de Glivenko Cantelli: CM-TD
- Tests: CM, TD (Neyman), TP (Composites), TP (Chi2), CM-TD
- Modèle linéaire:TP1, TP2 , TP3
- Fonctions Génératrices: TD
- Chaînes de Markov: CM , TP1, TP2, TP3
- Martingales: CM-TD, Ruine du joueur, Modèle de Galton Watson
- Algorithmes Stochastiques: Robbins-Monro, Protocole Aloha, Recuit Simulé, Algorithme EM,
- Grandes déviations: TD
Documents « Intégrations et Probabilités, L3 Ingéniérie » Archive des Travaux Dirigés
- TD Manipulation de variables aléatoires
- TD Fonctions Caractéristiques, transformée de Fourier
- TD Vecteurs Gaussiens
- TD Espaces Lp
- TD Espérance Conditionnelle
- TD Convergences de variables aléatoires
- TD Théorèmes limites
Documents « Analyse de Données, L3 SID »
- CM Généralités sur l’Analyse de Données
- CM Inertie de variables aléatoires
- CM Liaisons entre variables aléatoires
- CM Analyse en Composantes Principales
Documents « Analyse de Données, M1 SID »
- CM Révision ACP
- CM Analyse Factorielle des Correspondances
- CM Classification
- CM Analyse Factorielle des Correspondances Multiples
- CM Analyse Factorielle Discriminante
Documents « Apprentissage Statistique, M2 SID »
- CM Introduction au Data Mining
- CM Mesure d’erreur statistique
- CM Régression Logistique
- CM Réseaux de neurones
- CM Arbres de Classification CART
- CM Agrégation et méthode de Random Forest
- CM Support Vector Machines
- CM Sélection de variables
Documents « Algèbre linéaire, L2 SI »