Chapitre 1 : Probabilités et statistiques
1.1 Science des données et statistiques
1.2 Qu'est-ce que les statistiques ?
1.3 Modèle statistique
1.4 Exercices pratiques

Chapitre 2 : Principes fondamentaux des statistiques descriptives
2.1 Types et organisation des données
2.2 Statistiques descriptives
2.3 Visualisation des données
2.4 Exercices pratiques

Chapitre 3 : Concepts fondamentaux des probabilités
3.1 Notions fondamentales de probabilité
3.2 Lancer des dés avec Python
3.3 Probabilités en intelligence artificielle
3.4 Exercices pratiques

Chapitre 4 Probabilité conditionnelle
4.1 Nombre de cas
4.2 Types de cas
4.3 Probabilité conditionnelle
4.4 Probabilité conditionnelle en intelligence artificielle
4.5 Exercices pratiques

Chapitre 5 Théorème de Bayes
5.1 Comprendre le théorème de Bayes
5.2 Théorème de Bayes répété
5.3 Extension du théorème de Bayes
5.4 Théorème de Bayes en intelligence artificielle
5.5 Exercices pratiques

Chapitre 6 : Modèles de probabilités dans la vie réelle
6.1 Modèles probabilistes non armés : marche aléatoire et mouvement brownien
6.2 Modèle de probabilité prédictive : Modèle de Markov
6.3 Modèles probabilistes répétés : simulation de Monte Carlo
6.4 Exercices pratiques

Chapitre 7 : Variables aléatoires et distributions de probabilité
7.1 Variables aléatoires
7.2 Espérance et variance
7.3 Distributions de variables aléatoires discrètes
7.4 Distributions de variables aléatoires continues
7.5 Exercices pratiques

Chapitre 8 Estimation statistique
8.1 Population et répartition de l'échantillon
8.2 Estimation ponctuelle
8.3 Estimation par intervalle
8.4 Exercices pratiques

Chapitre 9 Tests d'hypothèses statistiques
9.1 Principes des tests d'hypothèses
9.2 Tests d'hypothèses à échantillon unique
9.3 Tests d'hypothèses à deux échantillons
9.4 Exercices pratiques

Chapitre 10 : Analyse de régression et prédiction
10.1 Analyse de régression
10.2 Régression par les moindres carrés pour l'estimation et la prédiction
10.3 Techniques d'analyse statistique en Python
10.4 Exercices pratiques

Chapitre 11 : Tests des modèles de corrélation et de régression
11.1 Relation entre le coefficient de corrélation et l'analyse de régression
11.2 Test de signification statistique des coefficients de régression
11.3 Variance et coefficient de détermination du modèle d'analyse de régression
11.4 Test d'adéquation du modèle d'analyse de régression
11.5 Exercices pratiques

Chapitre 12 : Analyse de régression par apprentissage automatique
12.1 Interprétation de l'analyse de régression avec l'apprentissage automatique
12.2 Descente en pente
12.3 Descente de gradient stochastique
12.4 Création d'un modèle d'analyse de régression avancé
12.5 Exercices pratiques

Chapitre 13 : Régression logistique et classification
13.1 Comprendre la régression logistique
13.2 Comprendre la fonction logistique
13.3 Analyse de régression logistique avec Python
13.4 Exercices pratiques

Apprenez les probabilités et les statistiques grâce à une pratique concrète avec Python.
Des concepts à l'inférence, analyse de régression par apprentissage automatique,
Introduction à l'analyse des données, accessible même aux non-spécialistes.

Nous vivons à l'ère où l'IA résout des problèmes mathématiques et automatise la programmation.
Pourtant, les « probabilités et les statistiques » restent la clé pour déchiffrer l’ère des données.

Ce livre n'est pas un simple manuel de mathématiques.
Grâce à des exemples concrets et à des exercices en Python, vous acquerrez une expérience directe des concepts de probabilité et de statistiques, allant même jusqu'à implémenter des modèles de régression d'apprentissage automatique, et vous développerez votre capacité à relier la théorie à la pratique.

Une explication étape par étape et une structure de formation pratique que tout le monde peut suivre, des non-statisticiens peu familiers avec les statistiques aux débutants apprenant l'IA et la science des données.
Des anecdotes statistiques du quotidien à l'analyse de données en vue de l'intelligence artificielle, vos statistiques sont désormais en mouvement.

ÉTAPE 1 : Comprendre les concepts de base des statistiques grâce à une théorie systématique et à des discussions statistiques.
ÉTAPE 2 : Signification mathématique et exemples de probabilité et de statistiques
ÉTAPE 3 : Mise en œuvre des principes de l’intelligence artificielle en Python
ÉTAPE 4 Appliquez et organisez ce que vous avez appris à l'aide de divers exemples et exercices pratiques pour chaque chapitre.