CHAPITRE 1 Statistiques de base

_1.1 Statistiques
_1.2 Pourquoi les statistiques descriptives sont-elles nécessaires ?
1.3 Pourquoi les statistiques inférentielles sont-elles nécessaires ?

CHAPITRE 2 : Python et les notebooks Jupyter

2.1 Mise en place de l'environnement
2.2 Jupyter Notebook
2.3 Programmation Python
_2.4 NumPy et Pandas

CHAPITRE 3 Statistiques descriptives

3.1 Classification des données
3.2 Comment lire les formules
3.3 Distribution de fréquence
3.4 Statistiques de données à une variable
3.5 Statistiques des données multivariées
3.6 Analyse stratifiée
3.7 Utilisation des graphiques

CHAPITRE 4 PROBABILITÉS ET DISTRIBUTIONS DE PROBABILITÉ

4.1 Théorie des probabilités
4.2 Distribution de probabilité
4.3 Distribution binomiale
4.4 Distribution normale

CHAPITRE 5 Estimation statistique

5.1 Concept d'inférence statistique
5.2 Simulation d'échantillonnage à partir d'une population
5.3 Estimation de la moyenne de la population
5.4 Estimation de la variance de la population
5.5 Distributions de probabilité dérivées de populations normales
5.6 Estimation par intervalle

CHAPITRE 6 Tests d'hypothèses statistiques

_6.1 Test t à un échantillon pour la moyenne de la population
_6.2 Test de différence moyenne
6.3 Test du tableau de contingence
6.4 Interprétation des résultats des tests

CHAPITRE 7 MODÈLES STATISTIQUES

_7.1 Principes de base des modèles statistiques
7.2 Comment créer un modèle linéaire
_7.3 Représentation des données et noms des modèles
7.4 Estimation des paramètres : maximisation de la vraisemblance
_7.5 Estimation des paramètres : minimisation des pertes
7.6 Évaluation de la précision des prédictions et sélection des variables

CHAPITRE 8 Modèles linéaires réguliers

8.1 Modèle avec une variable indépendante continue : Régression simple
8.2 Évaluation du modèle linéaire régulier
8.3 Analyse de la variance
8.4 Modèles à variables indépendantes multiples

CHAPITRE 9 Modèles linéaires généralisés

_9.1 Principes de base du modèle linéaire généralisé
_9.2 Régression logistique
9.3 Évaluation du modèle linéaire généralisé
_9.4 Régression de Poisson

CHAPITRE 10 : STATISTIQUES ET APPRENTISSAGE AUTOMATIQUE

_10.1 Notions de base de l'apprentissage automatique
10.2 Régularisation et régression Ridge, régression Lasso
10.3 Régression Ridge et régression Lasso avec Python
_10.4 Modèles linéaires et réseaux de neurones

Comprendre les bases et l'application pratique avec des formules et du code Python !
De l'analyse des données à l'apprentissage automatique
Apprendre les statistiques avec Python

L'une des raisons pour lesquelles les statistiques peuvent paraître difficiles est qu'il y a tellement de choses à comprendre.
L'important est de comprendre les liens entre les concepts.
Ce livre est structuré de manière à aider les lecteurs à comprendre facilement comment les concepts sont liés les uns aux autres.

Les chapitres 1 à 6 sont des ouvrages d'introduction aux statistiques, couvrant les statistiques descriptives, les bases des probabilités et des distributions, l'estimation statistique et les tests d'hypothèses statistiques.
Les chapitres 7 à 10 traitent des méthodes d'analyse telles que les modèles statistiques, l'analyse de régression et les modèles linéaires.
De plus, nous avons abordé l'intersection entre l'apprentissage automatique et la technologie prédictive, vous permettant ainsi de comprendre le passage des bases des statistiques à l'apprentissage automatique.

Plutôt que de nous attarder sur des connaissances et des astuces statistiques détaillées, nous avons fait de notre mieux pour poser les bases des statistiques en nous concentrant sur la terminologie statistique, les formules de base et la mise en œuvre à l'aide d'une syntaxe Python simple.
Le même contenu est expliqué trois fois à l'aide de texte, de formules et de code Python, ce qui vous permettra progressivement de le comprendre en profondeur.
Je recommande ce livre aux développeurs qui ne sont pas familiers avec les statistiques ou aux lecteurs qui ne connaissent pas Python mais souhaitent étudier les statistiques afin d'apprendre les notions nécessaires à l'analyse des données.

Modifications par rapport à la première édition

● Nous avons amélioré la structure en fournissant des explications suivant l'ordre de mise en œuvre afin que les débutants puissent apprendre facilement.
● Ce livre s'adresse à ceux qui souhaitent analyser des données à l'aide de Python.
J'ai vérifié et corrigé le code d'exercice Python.
● Le contenu relatif aux statistiques descriptives, aux exercices de statistiques inférentielles, etc., a augmenté.
Il existe d'autres sections expliquant les techniques et les idées essentielles au traitement des données, et d'autres encore consacrées aux techniques pratiques telles que l'analyse stratifiée.


Contenu principal

● Statistiques de base
● Notions de base de Python et configuration de Jupyter Notebook
● Statistiques descriptives
● Probabilité et distribution de probabilité
● Estimation statistique et tests d'hypothèses
● Modèle statistique
● Modèle linéaire régulier et modèle linéaire généralisé
● Statistiques et apprentissage automatique