Volumes horaires
- CM 18.0
Crédits ECTS
Crédits ECTS 1.75
Objectif(s)
La statistique computationnelle s'est développée avec l'augmentation de la complexité des données aléatoires générées par les grands domaines d'application rattachés à la biologie, la médecine, la finance, le traitement de l'information (imagerie, la reconnaissance des formes), etc. Elle repose sur l'utilisation d'algorithmes d'estimation plutôt que sur des techniques de résolution formelle. Il s'agit d'un cours en 2 parties essentiellement tournées vers l'analyse concrète de problèmes et d'exemples.
Contact Olivier FRANCOIS
Contenu(s)
1. Statistique bayésienne (9h) : Principes de base et simulation probabiliste. Exemples simples. Algorithmes MCMC de Metropolis-Hastings, échantillonneur de Gibbs. Calcul bayésien approché (algorithmes de rejet). Facteurs de Bayes.
2. Classification (9h). Classification supervisée : approche par régression – réseaux de neurones. Classification non-supervisée : lois de mélanges.
Prérequis
Probabilités appliquées. Principes et méthodes statistiques. Recommandé : Méthodes numériques
Travaux pratiques et / ou examen oral.
N1=0.5*E1+0.5*CC
N2=0.5*E2+0.5*CC
C. BISHOP: /Pattern Recognition and Machine Learning/. Springer, 2006.
A. GELMAN, J. B. CARLIN, H. S. STERN and D. B. RUBIN. /Bayesian Data Analysis/. Boca Raton, Florida: Hapman and Hall/CRC, 2004.