Analyse discriminante sur variables qualitatives / Gilles Celeux (1994)

Public ISBD Titre : Analyse discriminante sur variables qualitatives Type de document : Ouvrage Auteurs : Gilles Celeux ; Jean-Pierre Nakache Editeur : Paris : Polytechnica Année de publication : 1994 Importance : 270 p. Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] statistique Index. décimale : Analyse discriminante sur variables qualitatives [Ouvrage] / Gilles Celeux ; Jean-Pierre Nakache . - Paris : Polytechnica, 1994 . - 270 p. Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] statistique Index. décimale :

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
77005878	DF-0090	Livre	Salle de lecture	Documentaires	Disponible

Analyse de données avec R / Sébastien Lê ; Jérôme Pagès ; François Husson (2016)

Public ISBD Titre : Analyse de données avec R Type de document : Ouvrage Auteurs : Sébastien Lê, Auteur ; Jérôme Pagès, Auteur ; François Husson, Auteur Mention d'édition : 2ème ed Editeur : Rennes : Presses universitaires de Rennes Année de publication : 2016 Collection : Pratique de la statistique, ISSN 1295-1765 Importance : 239 p ISBN/ISSN/EAN : 978-2-7535-4869-5 Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Avec ce manuel, le lecteur dispose d’un équipement complet (bases théoriques, exemples, logiciels) pour analyser des données multidimensionnelles. Son contenu correspond à l’enseignement d’analyse de données proposé à Agrocampus. Il a été conçu pour des étudiants qui ne se destinent pas aux métiers de la statistique mais qui auront à traiter des données dans leurs emplois. Cette édition prend en compte l’actualisation du logiciel R. Analyse de données avec R [Ouvrage] / Sébastien Lê, Auteur ; Jérôme Pagès, Auteur ; François Husson, Auteur  . -  2ème ed . - Rennes : Presses universitaires de Rennes, 2016 . - 239 p. - (Pratique de la statistique, ISSN 1295-1765) . ISBN : 978-2-7535-4869-5 Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Avec ce manuel, le lecteur dispose d’un équipement complet (bases théoriques, exemples, logiciels) pour analyser des données multidimensionnelles. Son contenu correspond à l’enseignement d’analyse de données proposé à Agrocampus. Il a été conçu pour des étudiants qui ne se destinent pas aux métiers de la statistique mais qui auront à traiter des données dans leurs emplois. Cette édition prend en compte l’actualisation du logiciel R.

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00003806	DJ-0135	Livre	Salle de lecture	Documentaires	Disponible

De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales / David Makowski (2018) 

Public ISBD Titre : De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales Type de document : Ouvrage Auteurs : David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur Editeur : Versailles : Quae Année de publication : 2018 Collection : Savoir-faire Importance : 161 p ISBN/ISSN/EAN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Motbis 2025] agronomie [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales [Ouvrage] / David Makowski, Auteur ; François Piraux, Auteur ; François Brun, Auteur . - Versailles : Quae, 2018 . - 161 p. - (Savoir-faire) . ISBN : 978-2-7592-2815-7 Langues : Français (fre) Catégories : [Motbis 2025] agronomie [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] logiciel [Motbis 2025] mathématique [Motbis 2025] modèle statistique [Motbis 2025] statistique Index. décimale : DJ-0 Généralités Note de contenu : Chapitre 1. Introduction et exemples Objectifs de l’analyse de réseaux d’expérimentations et de la méta-analyse Données Le type de données La collecte des données La validation des données Analyse Principales étapes Présentation des hypothèses testées Collecte des données Validation des données Analyse des données Validation de l’analyse Communication des résultats Objectif de l’ouvrage Un exemple simple de modèle mixte Définition Données Définition du modèle Estimation Comparaison avec le modèle sans effet aléatoire Références Partie I. Analyse des réseaux expérimentaux Chapitre 2. Notions de base Expérimentation agronomique Réseau d’expérimentations Définition Exemple de réseau d’expérimentations Notion d’environnement Objectifs d’un réseau d’expérimentations Notion de population d’environnements Notion d’interaction Références Chapitre 3. Analyse d’un réseau d’expérimentations en blocs aléatoires complets à un facteur étudié Objectif du chapitre Exemple « blé» Modélisation Modèle avec un effet expérimentation aléatoire Modèle avec un effet expérimentation fixe Exemple Comment choisir entre un modèle avec un effet expérimentation fixe et un modèle avec un effet expérimentation aléatoire ? Évaluation du modèle Normalité Homoscédasticité Indépendance Données suspectes Comparaisons de moyennes Tests d’hypothèse : tests d’égalité Intervalles de confiance Tests d’hypothèse : tests d’équivalence Exemple Exemple « blé» : script R et analyse commentée Références Chapitre 4. Méthodes avancées pour l’analyse des réseaux Analyse des données moyennes Étape 1 :analyse des expérimentations individuelles pour estimer les moyennes des traitements Étape 2 :analyse des données moyennes Exemple Une variante: analyse des données moyennes avec un modèle fixe Estimation de la variance d’interaction traitement-expérimentation Script R Expérimentations avec variances hétérogènes Introduction Exemple « blé» Pour aller plus loin Données manquantes Origine des données manquantes Moyennes ajustées Les facteurs lieu et année Objectif Exemple «blé_pluri » Modèle pour l’analyse des données moyennes Estimation de la variance de l’interaction traitement-année-lieu Variance de la différence entre deux traitements Analyse de l’exemple « blé_pluri » et script R Références Chapitre 5. Planification d’un réseau d’expérimentations Objectif Comparaison de deux traitements Cas d’un réseau multilocal Cas d’un réseau multilocal et pluriannuel Autres contrastes Comparaison à la moyenne de plusieurs témoins Comparaison à la moyenne générale Références Partie II. La méta-analyse Chapitre 6. Notions de basepour la méta-analyse Définition,origine et principales étapes de la méta-analyse Estimation d’une taille d’effet moyenne Objectif Recherche systématique des études, sélection des références et extraction de données Estimation de la taille d’effet moyenne avec un modèle sans effet aléatoire Estimation de la taille d’effet moyenne avec un modèle à effets aléatoires Métarégression Objectif Exemple Modèles de régression avec et sans effet aléatoire Exemple(suite) Analyse critique des résultats Références Chapitre 7. Problèmes statistiques spécifiques pour la méta-analyse Définition de la taille d’effet Correction des biais liés à l’utilisation de ratios Différence entre moyennes d’observations Tailles d’effet pour les données binaires Coefficient de corrélation Tailles d’effet basées sur la variance Modèles linéaires généralisés pour l’analyse de données discrètes Modèle binomial logit à effets aléatoires pour analyser l’effet d’un traitement Exemple Modèles non linéaires mixtes Intérêt et définition Exemple Modèles bayésiens Définition Exemple :méta-analyse avec MCMCglmm Références Annexe. Ressources R pour mettre en œuvre les méthodes d’analyse des réseaux et de méta-analyse Package KenSyn : code R et jeux de données des exemples présentés dans les différents chapitres Installation Contenu et utilisation Mettre en oeuvre le modèle mixte sous R Ajuster un modèle mixte Manipuler les résultats des modèles mixtes sous R Le package metafor, dédié à la réalisation de méta-analyses sous R Approche bayésienne avec le modèle mixte Packag eMCMCglmm Package coda Références

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00005682	DJ-0146	Livre	Salle de lecture	Documentaires	Disponible

Documents numériques

De l'analyse des réseaux expérimentaux à la méta-analyse : méthodes et applications avec le logiciel R pour les sciences agronomiques et environnementales URL

Analyses factorielles simples et multiples : Cours et études de cas / Brigitte Escofier ; Jérôme Pagès (2016) 

Public ISBD Titre : Analyses factorielles simples et multiples : Cours et études de cas Type de document : Ouvrage Auteurs : Brigitte Escofier, Auteur ; Jérôme Pagès, Auteur Mention d'édition : 5ème ed Editeur : Malakoff : Dunod Année de publication : 2016 Collection : Sciences Sup, ISSN 1636-2217 Importance : 392 p ISBN/ISSN/EAN : 978-2-10-074144-1 Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] statistique Index. décimale : DF-0 Généralités Note de contenu : Cet ouvrage est destiné aux étudiants en Masters de mathématiques appliquées, d'économie ou d'économétrie, ainsi qu'aux élèves ingénieurs. Il aborde les méthodes d'analyse de données qui ont démontré leur efficacité dans l'étude des grandes masses complexes d'informations. Cette cinquième édition, entièrement revue et augmentée, a été enrichie de nombreux exercices corrigés Analyses factorielles simples et multiples : Cours et études de cas [Ouvrage] / Brigitte Escofier, Auteur ; Jérôme Pagès, Auteur  . -  5ème ed . - Malakoff : Dunod, 2016 . - 392 p. - (Sciences Sup, ISSN 1636-2217) . ISBN : 978-2-10-074144-1 Langues : Français (fre) Catégories : [Motbis 2025] analyse des données [Motbis 2025] analyse statistique [Motbis 2025] statistique Index. décimale : DF-0 Généralités Note de contenu : Cet ouvrage est destiné aux étudiants en Masters de mathématiques appliquées, d'économie ou d'économétrie, ainsi qu'aux élèves ingénieurs. Il aborde les méthodes d'analyse de données qui ont démontré leur efficacité dans l'étude des grandes masses complexes d'informations. Cette cinquième édition, entièrement revue et augmentée, a été enrichie de nombreux exercices corrigés

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00003808	DF-0093	Livre	Salle de lecture	Documentaires	Disponible

Documents numériques

Analyses factorielles simples et multiples : Cours et études de cas URL

L'apprentissage profond / Ian Goodfellow (2018)

Public ISBD Titre : L'apprentissage profond Type de document : Ouvrage Auteurs : Ian Goodfellow, Auteur ; Yoshua Bengio, Auteur ; Aaron Courville, Auteur Editeur : Massot éditions Année de publication : 2018 Importance : 768 p ISBN/ISSN/EAN : 979-10-97160-43-2 Langues : Français (fre) Catégories : [Motbis 2025] algèbre linéaire [Motbis 2025] analyse des données [Motbis 2025] mathématique appliquée [Motbis 2025] modèle mathématique Index. décimale : DF-0 Généralités Note de contenu : "Hello Dave, you're looking well today". C'est en ces termes que s'exprime l'odinateur du vaisseau de 2001 l'Odyssée de l'Espace de Stanley Kubrick. Cette scène de 1968 fait desormais partie de notre quotidien : les assistants virtuels, la reconnaissance faciale, la traduction automatique, et bientôt les voitures autonomes sont autant d'applications de l'Intelligence Artificielle connexionniste portés par les réseaux de neurones et l'apprentissage profond (deep learning). Cette forme d'apprentissage automatique permet à l'ordinateur d'apprendre par l'expérience sans qu'un humain lui spécifie formellement toutes les connaissances nécessaires. Ce processus lui permet alors de comprendre le monde et les concepts complexes qui le composent en les rapportant à une hiérarchie de briques élémentaires. Cet ouvrage présente un contexte mathématique et conceptuel pour l'apprentissage profond, couvrant les fondations de l'algèbre linéaire, de théorie des probabilités et de l'information, du calcul numérique et de l'apprentissage automatique. Il offre également des perspectives de recherche, couvrant des sujets théoriques tels que les auto-encodeurs, l'apprentissage de représentation, les modèles probabilistes structurés, la fonction de partition, l'inférence approximative et les modèles génératifs profonds. Ce texte de référence peut être notamment utilisé par des étudiants en cycles supérieurs d'industrie ou de recherche, et par des ingénieurs logiciel qui veulent intégrer l'apprentissage profond dans leurs produits ou plateformes. Il est le premier au monde à faire l'objet d'une traduction automatique fondée sur de l'apprentissage profond à partir d'un outil proposé par DeepL GmbH. L'apprentissage profond [Ouvrage] / Ian Goodfellow, Auteur ; Yoshua Bengio, Auteur ; Aaron Courville, Auteur . - Massot éditions, 2018 . - 768 p. ISBN : 979-10-97160-43-2 Langues : Français (fre) Catégories : [Motbis 2025] algèbre linéaire [Motbis 2025] analyse des données [Motbis 2025] mathématique appliquée [Motbis 2025] modèle mathématique Index. décimale : DF-0 Généralités Note de contenu : "Hello Dave, you're looking well today". C'est en ces termes que s'exprime l'odinateur du vaisseau de 2001 l'Odyssée de l'Espace de Stanley Kubrick. Cette scène de 1968 fait desormais partie de notre quotidien : les assistants virtuels, la reconnaissance faciale, la traduction automatique, et bientôt les voitures autonomes sont autant d'applications de l'Intelligence Artificielle connexionniste portés par les réseaux de neurones et l'apprentissage profond (deep learning). Cette forme d'apprentissage automatique permet à l'ordinateur d'apprendre par l'expérience sans qu'un humain lui spécifie formellement toutes les connaissances nécessaires. Ce processus lui permet alors de comprendre le monde et les concepts complexes qui le composent en les rapportant à une hiérarchie de briques élémentaires. Cet ouvrage présente un contexte mathématique et conceptuel pour l'apprentissage profond, couvrant les fondations de l'algèbre linéaire, de théorie des probabilités et de l'information, du calcul numérique et de l'apprentissage automatique. Il offre également des perspectives de recherche, couvrant des sujets théoriques tels que les auto-encodeurs, l'apprentissage de représentation, les modèles probabilistes structurés, la fonction de partition, l'inférence approximative et les modèles génératifs profonds. Ce texte de référence peut être notamment utilisé par des étudiants en cycles supérieurs d'industrie ou de recherche, et par des ingénieurs logiciel qui veulent intégrer l'apprentissage profond dans leurs produits ou plateformes. Il est le premier au monde à faire l'objet d'une traduction automatique fondée sur de l'apprentissage profond à partir d'un outil proposé par DeepL GmbH.

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
DOC-00004647	DF-0095	Livre	Salle de lecture	Documentaires	Disponible

CAP and the regions: building a multidisciplinary framework for the analysis of the EU agricultural space / C. Laurent ; I. Bowler (1997)

Permalink

Caractéristiques organoleptiques des pêches et nectarines : variétés croquantes et préférences des consommateurs / Valentine Cottet in Infos. CTIFL, 314 ([01/09/2015])

Permalink

Catalogue de fiches sur des méthodes d'échantillonnage / Arvalis-Institut du végétal (1987)

Permalink

Le commencement : épisode 1 / Cyprien Verseux in Biofutur *, 370 ([01/11/2015])

Permalink

Comment célébrer les fêtes, isolés sur un volcan : épisode 3 / Cyprien Verseux in Biofutur *, 372 ([01/01/2016])

Permalink

Comprendre et réaliser les tests statistiques à l'aide de R : manuel de biostatistique / Gaël Millot (2018)  

Permalink

Compter pour raconter. Du bon usage des données en bibliothèque / Cécile Touitou (2025)

Permalink

La consommation des salades en France : une bonne appréciation de la gamme / Gilles Christy in Infos. CTIFL, 321 ([01/05/2016])

Permalink

Contrôle de la qualité des céréales et protéagineux : guide pratique / Christine Bar-L'Helgouac'h (2001)

Permalink

Le cours de biostatistique : 110 fiches de cours 120 schémas 50 QCM / Xavier Noguès ; André Garenne ; Xavier Bouteiller ; Virgil Fiévet (2018)

Permalink

---

1 2 3 4 5 (1 - 15 / 73) Par page : 25 50 100 200