Descriptif
L’objectif de cette Unité d’Enseignement est d’acquérir la maitrise d’outils méthodologique de base nécessaire à la recherche et de comprendre deux types de modélisation statistique classique en écologie et plus généralement en biologie.
La partie modèle linéaire propose l’étude des modèles usuels comme l’analyse de la variance, la régression, l’objectif étant d’illustrer la puissance de ces modèles mais aussi leurs limites.
La partie modèle Bayesien et Apprentissage propose la découverte de la statistique bayésienne qui connaît un grand essor en écologie. L’accent est mis sur la pratique des modèles hiérarchiques. Une introduction aux méthodes récentes d’apprentissage est proposée (apprentissage profond, réseaux de neurones...).
- CM : 34
Diplôme(s) concerné(s)
Parcours de rattachement
domaines ParisTech
Milieux naturels - Ecosystèmes.Format des notes
Numérique sur 20Pour les étudiants du diplôme Master Biodiversité, écologie, évolution
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 4 ECTS
Le coefficient de l'UE est : 4
Programme détaillé
Modèles Linéaires
Analyse de variance, Régression multiple, Analyse de covariance, modèle linéaire généralisé, modèle mixte.
Enseignant : Marie-Pierre Etienne.
Durée : 15 heures.
Modèles Bayesiens et apprentissage
Le cadre bayésien permet de construire des modèles flexibles, de modéliser explicitement l’incertitude et de tenir compte des connaissances a priori sur les processus et les paramètres. Les bases de l’analyse bayésienne des données seront présentées, avec une application avec R et Stan sur différents jeux de données liés à l’écologie tropicale.
La partie apprentissage automatique se concentre sur les avancées récentes des outils d’apprentissage automatique qui peuvent être appliqués aux modèles écologiques. Les bases de l’apprentissage profond et les méthodologies des réseaux de neurones à convolution seront abordées. Là encore, R sera utilisé pour appliquer les méthodes aux données écologiques.
Enseignant : Mélaine Aubry-Kientz
Durée : 19 heures.