ENSI: Bayesian Learning in some statistical models

Auteurs

Introduction

Cet espace recueille les documents concernant le cours d’apprentissage bayésien enseigné à l’ENSI (Univ. La Manouba, Tunis).

Les 15 heures de cours programmées sont répartie en 3 journées, avec des cours et es TPs alternés (programmation python).

Table des matières

Journee #1 - Decision bayesienne

  • Objectif du cours
  • Intro_MSO37.pdf : Introduction et motivation du cours.
  • Dec_Bayes.pdf. Ces slides discutent du principe 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
  • Réalisez TP_BayDec, le TP sur la classification bayésienne.

Journee #2 - Modele de melange

  • Objectif du cours
  • 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
  • Réaliser Tuto_MM, le tutoriel sur les modèles de mélange.

Journee #3 - Modele de chaine de Markov cachee

  • Objectif du cours
  • 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
  • Réalisez TP_HMC, le TP sur le modèle des chaînes de Markov cachées.
  • Consignes pour le CR
  • Le Compte-Rendu de TP sera constitué
    • des programmes développés et des images générées (un zip du répertoire de travail conviendra). L’image que vous aurez sélectionnée pour réaliser la partie 5 devra également faire partie du zip.
    • d’un mini-rapport (au format pdf ou markdown ; les formats doc ou docx ne sont pas acceptés) qui explique les résultats obtenus. N’oubliez pas de faire figurer vos noms et prénoms sur ce compte-rendu, ainsi que l’image que vous aurez sélectionnée pour la dernière partie. Il s’agit, dans ce rapport, de reproduire les courbes générées automatiquement et de les commenter (montrez que vous avez compris la méthode de segmentation). Pour la dernière partie, pensez à interpréter les résultats de segmentation (sont-ils bons ou mauvais ? Pourquoi d’après vous ?).