Concepts fondateurs et nouveaux développements de la statistique bayésienne. Estimation ponctuelle (estimateurs minimax, estimateurs admissibles, a priori non informatif, bayésien empirique). Régression linéaire (modèle hiérarchique, sélection de variables). Estimation de densité (modèle de mélange, modèle semi-paramétrique). Classification (modèle multinomial-Dirichlet). Simulation de loi a posteriori par méthodes de Monte-Carlo par chaînes de Markov (MCMC) (échantillonneur de Gibbs et algorithmes de type Metropolis-Hastings). Mise en œuvre pratique avec R, Python et Stan.
Concepts fondateurs et nouveaux développements de la statistique bayésienne. Estimation ponctuelle (estimateurs minimax, estimateurs admissibles, a priori non informatif, bayésien empirique). Régression linéaire (modèle hiérarchique, sélection de variables). Estimation de densité (modèle de mélange, modèle semi-paramétrique). Classification (modèle multinomial-Dirichlet). Simulation de loi a posteriori par méthodes de Monte-Carlo par chaînes de Markov (MCMC) (échantillonneur de Gibbs et algorithmes de type Metropolis-Hastings). Mise en œuvre pratique avec R, Python et Stan.
