v2.11.0 (6262)

Cours - 9B-540-SCI : Stratégie bayésienne en sciences des données

Domaine > Sciences de l'Ingénieur.

Descriptif

Ce cours est centré sur la conception de stratégies optimales d'estimation ou de décision pour les paramètres de modèles à partir d'un jeu de données expérimentales incluant des incertitudes. Une première partie est consacrée à la modélisation d'incertitudes et à la construction de vraisemblance ainsi qu'à la notion d'information de Fisher. Une seconde partie concerne l'estimation et la décision optimale au sens d'une erreur moyenne minimale. Les retombées applicatives visées sont liés à des phénomènes physiques, e.g. phénomènes oscillatoires amortis, optique, transfert de chaleur, mécanique des fluides ou des milieux continus, résistance des matériaux... Il inclut du cours et des exercices sur table ainsi que des TP concernant diverses applications pratiques.

Objectifs pédagogiques

Maîtriser les fondamentaux des stratégies bayésiennes en sciences des données pour l’ingénieur et le chercheur

20 heures en présentiel

Diplôme(s) concerné(s)

UE de rattachement

Pour les étudiants du diplôme Diplôme d'ingénieur de l'Institut d'Optique Théorique et Appliquée

  • Bases en probabilité, dans le cas standard de variables vectorielles (dimension finie) discrète ou à densité.
  • Notion de marginales et de conditionnelles.
  • Bases en programmation scientifique.

Format des notes

Numérique sur 20

Pour les étudiants du diplôme Diplôme d'ingénieur de l'Institut d'Optique Théorique et Appliquée

Le rattrapage est autorisé (Note de rattrapage conservée écrêtée à une note seuil de 12)

    Le coefficient de l'UE est : 60

    Programme détaillé

    • Exemples introductifs et motivation : oscillations amorties, optique, transfert de chaleur
    • Modèles de bruits et vraisemblances : exemple Gauss, Poisson…
    • Information de Fisher et sensibilité (famille exponentielle et distance de Kulback)
    • Coût, risque, et estimation/décision optimales, coût quadratique et moyenne a posteriori
    • Exemples d’application (exercices et pratiques)
    • Méthodes d’échantillonnage stochastique, MCMC (Gibbs et Metropolis-Hastongs)
    • Comparaison de modèles : calcul d’évidences et approche de Chib
    • Modèles à réseau de neurones
    • Propriétés asymptotiques des estimateurs

     

    Mots clés

    Science des données, stratégie bayésienne
    Veuillez patienter