Se familiariser avec l'étude théorique ainsi que la mise en pratique de méthodes bayésiennes non paramétriques pour l'estimation d'une distribution de probabilité et la régression.
Contenu
Estimation, distributions a priori, étude du processus de Dirichlet, arbres de Polya. Applications aux processus gaussiens, le design optimal en régression et l'analyse numérique bayésienne. Méthodes MCMC (Monte Carlo Markov Chain) et utilisation de R.
Ce site Web utilise des fichiers témoins (cookies) essentiels à son bon fonctionnement.
Vous pouvez paramétrer l'utilisation de témoins facultatifs nous permettant d'optimiser votre expérience à travers le site. Voir la Politique de confidentialité
Paramètres des témoins
Pour obtenir plus d’information sur la nature et l’utilisation des témoins, voir la Politique de confidentialité.
Témoins essentiels
Ces témoins sont nécessaires au bon fonctionnement du site Web. Ils permettent de maintenir
l’accès à certaines sections sécurisées et de conserver des critères de recherche, par exemple.
Ces témoins ne peuvent être désactivés.
Témoins analytiques
Ces témoins nous aident à comprendre votre utilisation de notre site Web et nous permettent d'améliorer l’expérience qu'il propose.
Témoins publicitaires
Ces témoins sont utilisés pour vous proposer des publicités pertinentes en fonction de votre navigation sur notre site. Ces publicités peuvent être émises par l'Université de Sherbrooke ou d'autres entités.
