Code
et crédits : MU5MAS03/5MS34, 3 ECTS
Responsable : Nicolas
Bousquet (lien vers la page personnelle)
Contact
: nicolas.bousquet@sorbonne-universite.fr
Objectif
: présenter d’une part les principales méthodologies de modélisation bayésienne
appliquées à des problèmes d’aide à la décision en univers risqué, et
d’autre part des méthodes avancées de calcul inférentiel permettant
l’enrichissement de l’information utile, en fonction de l’emploi et de la
nature des modèles.
Preuves et corrigés (version du 26/01)
TPnum1 : cas conjugué
sujet
(Python)
/ corrigé (Python)
TPnum2 : cas gaussien
censuré
acceptation-rejet
:
R : sujet /
importance
sampling :
Python : sujet
/
R : sujet /
TPnum3 : loi de Gumbel MCMC
(MH/Gibbs) :
Python : sujet
/
R : sujet
/
Contrôle d'une approximation variationnelle d'un prior Calibration d'un prior par minimisation de Wasserstein Modélisation en analyse de survie pour des problèmes d'assurance-vie Modélisation bayésienne pour la calibration et l'incertitude dans la prédiction de triplets d'action Quelques lectures de référence : The Bayesian Choice (C.P. Robert) Bayesian Data Analysis (A. Gelman) Le raisonnement bayésien (E. Parent, J. Bernier) The theory that would not die (S. Bertsch McGrayne) Monte Carlo Statistical Methods (C.P. Robert, G. Casella) Bayesian Core (J.-M. Marin, C.P. Robert)
Enoncés de projet en binôme (facultatifs mais pouvant rapporter jusqu'à 5 pts en plus à la note de partiel)