William Kengne

Enseignements à CY Cergy Paris Université

• Depuis 2013 :   Data mining et scoring (CM et TP SAS), Master 2 Ingénierie économique et de l'analyse de données

                                    Analyse de données (CM et TP SAS), Master 1 Ingénierie Economique

• Depuis 2014 : Probabilités (CM et TD), L2 économie et CMI Ingénierie financière
• Depuis 2015 : Apprentissage statistique (CM, TD et TP R), Master 2 Mathématiques fondamentales et Mathématiques appliquées  
• Depuis 2016 : Programmation Python (CM, TP Python et Spark), Master 2 Ingénierie économique et de l'analyse de données
• 2016 - 2020 : Introduction au Big Data (CM et TP Python), Master 2 Technologies de l'information, marketing et management     
• 2013 - 2016 : Statistique inférentielle (CM), L2 Gestion
• 2012 - 2013 : Statistique mathématiques (CM), Master 1  Mathématiques fondamentales et Mathématiques appliquées 

Enseignements à l'Université Paris 1 - Panthéon Sorbonne

• 2019 -2021 : Mini cours Big data (TP Python et Spark), Master 2 Traitement de l'information et data-science en entreprise
• Depuis 2022 : Big data analytics (CM, TP Python et Spark), Master 2 Traitement de l'information et data-science en entreprise
• 2011 - 2012 : Séries temporelles (TD),  Master 1  Mathématiques Appliquées

                                 Probabilités (TD),  L3 Mathématiques

                                 Analyse réelle (TD),  L2 Mathématiques

• 2010 : Statistique (TD), L2 Économie

 

Enseignements à l'Université d'Abomey-Calavi, Cotonou, Bénin

•  2013 : Séries temporelles (CM, TD et TP R), Master 2 de Statistique
•  2011 : Séries temporelles (TD et TP R),  Master 2 de Statistique  
• 2010 : Séries temporelles (TD et TP R),  Master 2 de Statistique

 

Enseignements à l'École Polytechnique de Yaoundé, Cameroun

2009-2010 : Simulations et échantillonnage (TP R),  Master 2 de Statistique 
                    Probabilités (TD)  L2 Sciences de l'ingénieur
                    Analyse réelle (TD), L1 Sciences de l'ingénieur

Articles publiés (ou à paraitre)

[1] Bardet, J.-M. , Kamila, K. and  Kengne, W. : Efficient and consistent data-driven model selection for time series.
      Bernoulli (2023), to appear, see Forthcoming papers.

[2] Diop, M. L. and  Kengne, W.  : Density power divergence estimator for general integer-valued time series with exogenous covariates. 
     Communications in Mathematics and Statistics (2023), to appear.

[3] Diop, M. L. and  Kengne, W.  : Epidemic change-point detection in general integer-valued time series. 
     Journal of Applied Statistics (2023),  https://doi.org/10.1080/02664763.2023.2179567.

[4] Kengne, W.  : On consistency for time series model selection. 
     Statistical Inference for Stochastic Processes (2022), https://doi.org/10.1007/s11203-022-09284-6. 

[5] Diop, M. L. and  Kengne, W.  : A general procedure for change-point detection in multivariate time series.  
     TEST, (2022), https://doi.org/10.1007/s11749-022-00824-z.

[6] Diop, M. L. and Kengne, W.  : Inference and model selection in general causal time series with exogenous covariates. 
     Electronic Journal of Statistics 16, (2022), 116-157.

[7] Kengne, W. and Ngongo I. S. : Inference for nonstationary time series of counts with application to change-point problems. 
     Annals of the Institute of Statistical Mathematics, (2022), https://doi.org/10.1007/s10463-021-00815-1.

[8] Diop, M. L. and  Kengne, W.  : Consistent model selection procedure for general integer-valued time series .  
     Statistics, (2022), https://doi.org/10.1080/02331888.2022.2029861.

[9] Diop, M. L. and  Kengne, W. : Epidemic change-point detection in general causal time series.  
     Statistics & Probability Letters, (2022), https://doi.org/10.1016/j.spl.2022.109416.

[10] Diop, M. L. and Kengne, W.  : Poisson QMLE for change-point detection in general integer-valued time series models.
       Metrika 85, (2022), 373–403.

[11] Diop, M. L. and Kengne, W.  : Piecewise autoregression for general integer-valued time series.
      Journal of Statistical Planning and Inference 211, (2021), 271-286.

[12] Kengne, W. : Strongly consistent model selection for general causal time series.
       Statistics & Probability Letters 171, (2021), https://doi.org/10.1016/j.spl.2020.109000.

[13] Bardet, J.-M. , Kamila, K. and  Kengne, W.  : Consistent model selection criteria and goodness-of-fit test for common time series models.  
       Electronic Journal of Statistics 14, (2020), 2009-2052.

[14] Diop, M. L. and Kengne, W.  : Testing parameter change in general integer-valued time series.
      Journal of Time Series Analysis 38, (2017), 880-894.

[15] Kengne, W.  : Sequential change-point detection in Poisson autoregressive models.
       Journal de la société française de statistique 156, (2015), 98-112.

[16] Doukhan, P. and  Kengne, W.  : Inference and testing for structural change in general Poisson autoregressive models.
       Electronic Journal of Statistics 9, (2015), 1267-1314.

[17] Bardet, J.-M. and  Kengne, W.  : Monitoring procedure for parameter change in causal time series.
       Journal of Multivariate Analysis 125, (2014), 204–221.

[18] Bardet, J.-M. ,  Kengne, W.  and Wintenberger, O. : Detecting multiple change-points in general causal time  series using penalized quasi-likelihood.  
       Electronic Journal of Statistics 6, (2012), 435-477.

[19]  Kengne, W. :  Testing for parameter constancy in general causal time series models.
        Journal of Time Series Analysis 33, (2012), 503-518.

[20]  Kengne, W. :  A test for parameter change in general causal time series using quasi-likelihood estimator. 
        C. R. Acad. Sci. Paris, Ser. I 350 (2012), 307–312.
 

Prépublications

[1] Diop, M. L. and  Kengne, W.  :  Statistical learning for ψ-weakly dependent processes (in revision).

[2] Kengne, W. :  Excess risk bound for deep learning under weak dependence (submitted).

[3] Kengne, W. and  Wade, M. : Deep learning for ψ-weakly dependent processes (submitted).

[4] Kengne, W. and  Wade, M. :  Sparse-penalized deep neural networks estimator under weak dependence (submitted).

[5] Kengne, W. and  Wade, M. : Penalized deep neural networks estimator with general loss functions under weak dependence (submitted).