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.
Diplôme(s) concerné(s)
- Master Sciences et technologies de l'agriculture, de l'alimentation et de l'environnement
- Master Biodiversité, écologie, évolution
- Accueillis en Master Montpellier
UE de rattachement
- Glofor_Bay_Mod : Bayesian models & Machine learning,
- Kou02modélisation : Modélisation des systèmes écologiques
Domaine disciplines/enjeux/objets
Ecologie, Modélisation.Format des notes
Numérique sur 20Pour les étudiants du diplôme Accueillis en Master Montpellier
Le rattrapage est autorisé (Max entre les deux notes)Le coefficient de l'UE est : 2
Pour les étudiants du diplôme Master Sciences et technologies de l'agriculture, de l'alimentation et de l'environnement
Le coefficient de l'UE est : 2
Pour les étudiants du diplôme Master Biodiversité, écologie, évolution
Le rattrapage est autorisé (Max entre les deux notes)Le coefficient de l'UE est : 2