Session 1 :
- Enjeux socio-économiques du Big Data.
- Introduction à la Statistique.
- Statistique descriptive univariée et bivariée.
- Initiation au logiciel statistique R.

Session 2 :
- Statistique inférentielle : estimateurs, intervalles de confiance et tests d'hypothèses paramétriques et non paramétriques.
- Illustration à l'aide du logiciel R.

Session 3 :
- Statistique multidimensionnelle : analyse en composantes principales, analyse factorielle des correspondances, analyse des données mixtes, analyse discriminante, classification automatique (clustering), classification de variables, réseaux de neurones.
- Illustration à l'aide du logiciel R.

Session 4 :
- Big Data : stockage de très grands volumes de données dans des architectures passant à l'échelle, calcul parallèle, méthodologie adaptée, etc.
- Mise en œuvre pratique.

Session 5 :
- Modélisation statistique : régression linéaire simple et régression linéaire multiple, analyse de la variance (ANOVA), analyse de la covariance (ANCOVA).
- Illustration à l'aide du logiciel R.

Session 6 :
- Modélisation statistique : forêts aléatoires, régression non paramétrique, régression semi paramétrique.
- Illustration à l'aide du logiciel R.

Session 7 :
- Etudes de cas.
- Deep learning.
- Analyse des données du web et gestion de la qualité des données.