[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-966657","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n \u003Cdiv class=\u0022row\u0022\u003E\n \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n \u003Ch2 class=\u0022h1 text-left\u0022\u003E Statistique bay\u00e9sienne et applications\n\u003C\/h2\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n 4\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemestre calendaire :\n Semester 1\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ECours magistraux :\u003C\/span\u003E\n \u003Cspan\u003E24\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003Enon\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003E\u003Cp\u003E\u2022 Statistique Bay\u00e9sienne -- Mod\u00e8le param\u00e9trique. Loi a priori. Loi a\nposteriori. Performance d\u2019un estimateur en moyenne (fonction de perte, risque). A priori diffus. A priori conjugu\u00e9s.\n\u2022 Echantillonnage par cha\u00eenes de Markov -- Int\u00e9gration en grande\ndimension. Principes \u00e9l\u00e9mentaires de simulations d\u2019une variable\nal\u00e9atoire scalaire. Principe d\u2019acceptation-rejet. Principes et\nvariantes de l\u2019algorithme de Metropolis-Hastings. Introduction aux cha\u00eenes de Markov et \u00e9l\u00e9ments d\u2019analyse des algorithmes MCMC.\n\u2022 Probl\u00e8mes inverses -- D\u00e9finition et exemples de probl\u00e8mes\ninverses, probl\u00e8mes mal pos\u00e9s. R\u00e9gularisation et m\u00e9thodes\nclassiques d\u0027inversion. Approche bay\u00e9sienne de la r\u00e9solution des\nprobl\u00e8mes inverses. Inversion dans le cas gaussien et filtre de\nKalman. Approches MCMC et bay\u00e9siennes variationnelles.\nApplications.\u003C\/p\u003E\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003E\u003Cp\u003ECe cours comprend trois parties. La premi\u00e8re est consacr\u00e9e aux fondements de la statistique bay\u00e9sienne. L\u2019inf\u00e9rence bay\u00e9sienne repose sur le choix d\u2019un mod\u00e8le bay\u00e9sien, lui-m\u00eame constitu\u00e9 d\u2019un mod\u00e8le des observations et d\u2019une loi de probabilit\u00e9 a priori pour les param\u00e8tres du mod\u00e8le. \u00c9tant donn\u00e9e des observations, on calcule ce que l\u2019on appelle une\nloi a posteriori des param\u00e8tres du mod\u00e8le bay\u00e9sien (\u00e0 l\u0027aide de la r\u00e8gle de Bayes). La connaissance de cette loi a posteriori permet ensuite d\u2019acc\u00e9der \u00e0 la loi a posteriori des quantit\u00e9s d\u2019int\u00e9r\u00eat. La deuxi\u00e8me partie du cours est\nconsacr\u00e9e aux techniques d\u2019\u00e9chantillonnage par cha\u00eenes de Markov (Monte Carlo Markov Chains). La troisi\u00e8me partie est consacr\u00e9e aux applications de l\u2019inf\u00e9rence bay\u00e9sienne, en particulier aux probl\u00e8mes inverses. Par probl\u00e8me inverse, on entend la d\u00e9termination d\u0027une grandeur\n(scalaire ou vectorielle) \u00e0 partir d\u2019observations indirectes (lorsque\nl\u0027observation directe d\u2019une grandeur physique n\u0027est pas possible).\u003C\/p\u003E\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EBibliographie\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003E\u003Cp\u003EC. Robert (2004) Monte Carlo Statistical Methods, Springer\nC. Robert (2007), The Bayesian Choice, Springer.\nA. Mohammad-Djafari (2010), Inverse Problems in Vision and 3D Tomography. Iste-Wiley\u003C\/p\u003E\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003Cdiv class=\u0022field-spacing\u0022\u003E\n \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n \u003Cspan\u003EEvaluation Continue non Int\u00e9grale\u003C\/span\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]