Format et contenu

Format

Le format de l'école d'été intensive a été revu pour prendre en compte les restrictions imposées par le COVID en matière de déplacements et d'activités en grand groupe. Les activités seront accessibles à distance, mais des regroupements locaux pourront être organisés si la situation le permet. Le cours consistera en cinq sessions d'une journée en alternance avec un jour de congé, réparties sur deux semaines.

Le cours est structuré de manière à minimiser les conférences et à mettre l'accent sur la pratique. 
De courtes sessions de cours et d'exercices seront données le matin. L'accent sera mis sur la pratique sous la supervision des instructeurs. L'après-midi sera organisé autour d'un ou deux problèmes de niveau supérieur à résoudre. Un conférencier invité sera proposé à la fin de la journée pour donner une perspective sur le sujet du jour. Les étudiants auront la possibilité de continuer à travailler sur le problème pendant la journée de relâche, et la solution sera fournie à la session suivante.
Les instructeurs seront disponibles pendant la période consacrée aux exercices et pendant les pauses de la journée.

Contenu

Les outils d'analyse des données écologiques se développent à un rythme sans précédent et il est presque impossible de répertorier toutes les nouvelles méthodes disponibles. Leur haut degré de sophistication est également très restrictif, ce qui limite leur applicabilité et notre appréciation de certaines études innovantes. Apprendre toutes les méthodes est pratiquement impossible et une formation avancée en modélisation de données est de loin le meilleur atout pour connaître les nouvelles méthodes et développer celles qui sont les mieux adaptées à un problème écologique. L'objectif de ce cours est de former les étudiants aux méthodes et aux compétences nécessaires pour ajuster des modèles aux données écologiques. 

Le cours introduira des notions de probabilités, de maximum de vraisemblance et de modélisation bayésienne. L'accent sera mis sur les algorithmes et les méthodes computationnelles afin de développer les capacités à résoudre un large éventail de problèmes. À la fin du cours, les étudiants seront capables de définir des problèmes de modélisation, d'organiser correctement leurs données, de développer les équations pour décrire le phénomène d'intérêt et d'évaluer les paramètres en utilisant des méthodes basées sur l'information et des approches bayésiennes.

Programme provisoire 

16 août 2021
Probabilités et distributions : Connaître ses données, définir son problème.

18 août 2021
Méthodes du maximum de vraisemblance : Écrire les équations du modèle.

20 août 2021 
Algorithmes d'optimisation : Mettre en évidence les performances des ordinateurs à résoudre numériquement des problèmes complexes.

23 août 2021 
Statistiques bayésiennes : Représenter correctement l'incertitude dans les modèles écologiques. 

25 août 2021 
Algorithmes d'échantillonnage : Évaluer les distributions a posteriori.