Probability and Statistics in Neural Systems

  • Sciences et technologies
Probability and Statistics in Neural Systems

Call to actions

Pour que nous puissions vous recontacter

Ce champ est facultatif. Si vous ne le remplissez pas, la question donnée en exemple ci-dessus sera envoyée.

saisir le code présent dans l'image

Envoi du message…

Votre message a été envoyé.

Une erreur est survenue pendant l'envoi de la question. Essayez de nous contacter par téléphone.

Objectifs

Formation initiale / Formation continue / Accessible en reprise d'études /
Diplôme d'université
2 mois
NeuroMod Institute for Modeling in Neuroscience and Cognition
Campus SophiaTech - Site des Lucioles
Anglais

Détails

Accéder aux sections de la fiche

Présentation

L'objectif principal de ce D.U. 100% en anglais est de répondre à un besoin de formation post-licence (master, doctorat, post-doc, professionnel) pour se remettre à niveau, comprendre et utiliser au mieux les simulations aléatoires et l'analyse statistique sur les données issues de neuro-cognition.
Ce diplôme fait partie du module de remise à niveau "Bootcamp" du Master of Science "Modeling for Neuronal and Cognitive Systems". 

Patricia REYNAUD-BOURET

Admission

Pré-requis

1er cycle (bac+3), 2eme cycle (bac+5), 3eme cycle (>bac+5)

Cette formation est aujourd'hui accessible à tout candidat de niveau BAC+3 ayant les prérequis en mathématiques (suivi de cours en statistiques par le passé est indispensable).

Niveau d'anglais B2/C1 obligatoire.

Les étudiants doivent avoir une certaine aisance avec les outils informatiques pour que les échanges portent plus sur le fond que sur une prise en main de la partie informatique (sauvegarde, installation etc.).

Modalités de candidature

Les candidatures sont ouvertes jusqu'au 15 juin inclus. 
Vous pouvez déposer votre dossier entièrement en ligne via la plateforme ecandidat: 

CANDIDATEZ ICI

Programme

Ce D.U. assure une formation généraliste en probabilités et statistiques avec des modèles et données issus de neuroscience ou de cognition : loi des grands nombres, théorème central limite et intervalles de confiance approchés, simulations en R, tests statistiques, interprétation de p-valeurs, etc.
 

Contenus :

  • Modélisation aléatoire : événement, distributions de probabilité (les exemples de base : Bernoulli, Binomial, Poisson, Gaussien, Exponentiel…), indépendance ;
  • Loi des grands nombres, théorème central limite et intervalles de confiance approchés (avec simulations en R) ;
  • Lois conditionnelles et chaîne de Markov pour modéliser la période réfractaire des neurones (avec simulations en R) ;
  • Tests statistiques et pvaleurs (sur des expériences psychologiques très basiques) ;
  • Un débat autour de la recherche reproductible, du phacking et de p-curve ;
  • Corrélation, tests d'indépendance et régression linéaire (avec applications en R) ;
  • Comment vérifionsnous que c'est Gaussien ? Que faisons-nous sinon ? (Quelques tests non paramétriques, analyse des trains de spikes et analyse en coïncidence) ;
  • Interprétation des pvaleurs, tests multiples (Bonferroni, Benjamini-Hochberg) ;
  • Modèles Gaussiens linéaires et sélections variables (avec applications en R) ;
  • Analyse en composantes principales.

NB : les étudiants seront coachés pour la programmation en R. Seul prérequis est d'installer R-studio sur leur ordinateur.

Temps plein

La formation est dispensée sur seulement 2 mois et est assez intense. Les cours ont lieu 2 à 3 fois par semaine (à raison de 3h par cours). La durée totale du DU comporte 42h de cours. 

Partiellement à distance

Les étudiants peuvent bénéficier de classes en présentiel mais aussi participer en ligne lorsque nécessaire. 

Totalement à distance

Les cours peuvent être enregistrés et mis à disposition sur Moodle (possible en synchrone ou asynchrone). Des tuteurs sont disponibles pour répondre aux questions en ligne et aider lors des devoirs/évaluations. 

Et après ?

Niveau de sortie

Diplôme Universitaire

Activités visées / compétences attestées

Cette formation courte permet aux étudiants de se remettre à niveau et d'obtenir des compétences avérées et incontournables dans leur mission de recherche comme en biologie ou psychologie et d'améliorer leurs compétences en modélisation aléatoire et analyse de données.