Bayesian Learning in some statistical models,¶
ENSI, cours de l’École Doctorale
Stéphane Derrode, École Centrale de Lyon, Dpt MI, LIRIS (CNRS UMR 5205).
Cet espace recueille les documents concernant le cours d’apprentissage bayésien enseignés dans la formation doctorale de l’ÉNSI (Univ. La Manouba, Tunis).
Les 15 heures de cours programmées sont répartie en 3 journées : 2h de cours de matin et 3h de pratique (programmation python) l’après midi.
Journée #1 - Décision bayésienne¶
- Objectif du cours (matin)
- Intro_MSO37.pdf : Introduction et motivation du cours.
- Dec_Bayes.pdf. Ces slides discutent du principes statistiques de la décision bayésienne et des principaux critères de classification. Démonstration du cours : Proof_Bayes.pdf
- Programmes utilisés pour les illustrations du cours.
- Travaux pratiques (après-midi)
- Réalisez TP_BayDec, le TP sur la classification bayésienne.
Journée #2 - Modèle de mélange¶
- Objectif du cours (matin)
- MixtureModel.pdf. Le cours porte sur le modèle de mélange qui suppose des données indépendantes et identiquement distribuées. On traite en particulier le cas gaussien.
- Programmes utilisés pour les illustrations du cours.
- Travaux pratiques (après-midi)
- Réalisez TP_Mixture, le TP sur le modèle de mélange gaussien.
Journée #3 - Modèle de chaîne de Markov cachée¶
- Objectif du cours (matin)
- HMCModel.pdf. Le cours porte sur le modèle des chaînes de Markov cachées (Hidden Markov Chain), pour le traitement des séries temporelles.
- Programmes utilisés pour les illustrations du cours.
- Travaux pratiques (après-midi)
- Réalisez TP_HMC, le TP sur le modèle des chaînes de Markov cachées.