Modélisation et statistique bayésienne computationnelle

1. Formalisation et résolution de problèmes d’aide à la décision en univers risqué, représentation probabiliste des incertitudes (Cox-Jaynes, de Finetti)
2. Liens avec le machine learning
   
3. Maximum d’entropie, familles exponentielles, modélisation par données virtuelles
4. Règles d’invariance, de compatibilité et de cohérence pour les modèles bayésiens
5. Algorithmes de Gibbs, MCMC adaptatives, introduction aux chaînes de Markov cachées, méthodes de filtrage et approches « likelihood-free » (ABC)
6. Perspectives : quadrature bayésienne, modèles hiérarchiques de haute dimension, modélisation bayésienne fonctionnelle, processus gaussiens, calibration par expériences numériques, critères d’enrichissement bayésiens