Descriptif
Ce cours propose une exploration complète des statistiques bayésiennes en mettant l'accent sur les applications écologiques, en insistant à la fois sur les concepts théoriques et sur les compétences pratiques en matière de codage. Les sujets clés incluent les priors conjugués pour la simplicité analytique, ls techniques de Markov Chain Monte Carlo (MCMC) pour les modèles complexes, et l'expérience pratique du codage avec JAGS dans le cadre de R. Vous explorerez également les modèles hiérarchiques cachés, qui sont essentiels pour comprendre les processus écologiques latents.
Objectifs pédagogiques
À l'issue du cours, l'étudiant devrait être capable 1) d'analyser un ensemble de données, de construire, d'écrire et d'implémenter un modèle avec Rstan, 2) d'interpréter les résultats, et d'être conscient des limites de ces méthodes, 3) d'appliquer des algorithmes d'apprentissage automatique adaptés à différentes tâches (classification, segmentation...), et 4) de diviser judicieusement l'ensemble de données en ensembles de test, d'entraînement et de validation.
Unités constitutives
| UE | Type d'enseignement | Domaines | Catégorie d'UE | Volume horaire | Responsables | Site pédagogique |
|---|---|---|---|---|---|---|
| kou02mod-bay Modèles bayésiens & Apprentissage | Enseignement scientifique et technique | UE de tronc commun, UE optionnelle, UE de spécialité (3A - M2). | Lucia CLAROTTO, Camille SALMON |
Diplôme(s) concerné(s)
Parcours de rattachement
Domaine disciplines/enjeux/objets
Ecologie, Modélisation.Format des notes
Numérique sur 20Littérale/grade européenPour les étudiants du diplôme Ext-Master-Montp
Le rattrapage est autoriséPour les étudiants du diplôme Master BEE - Montpellier
Le rattrapage est autoriséPour les étudiants du diplôme Master Sciences et technologies de l'agriculture, de l'alimentation et de l'environnement
L'UE est acquise si Note finale >= 10- Crédits ECTS acquis : 2 ECTS
Le coefficient de l'UE est : 2