Embedded Files
Le but de ce groupe est de s'auto-former sur le sujet en suivant au travers de la lecture de divers chapitres d'ouvrages et papiers. Toutes les deux semaines, nous nous réunirons afin d’assister à une synthèse des documents au programme (réalisée par un ou plusieurs membres du groupe) puis s'en suivra une discussion générale sur les notions introduites.
Cette année, le thème est "Méthodes Bayésiennes". Vous trouverez plus bas le programme de lecture accompagné du planning de sessions, des liens pour s'inscrire pour faire une synthèse et pour accéder aux slides et enregistrements des sessions passées, et enfin la liste des ouvrages et papiers qui seront étudiés (et un lien pour les télécharger).
Bonne lecture!
Programme de lecture
Programme de lecture
Pour vous inscrire afin de réaliser une synthèse, veuillez cliquer sur le lien suivant:
Pour accéder aux slides et enregistrements vidéo des sessions passées, veuillez cliquer sur le lien suivant:
Pour accéder ouvrages et papiers listés ci-dessous, veuillez cliquer sur le lien suivant:
[Beaumont] : Beaumont, M. A. (2019). Approximate bayesian computation. Annual review of statistics and its application, 6, 379-403.
[Berger] : Berger, J. O. (2013). Statistical decision theory and Bayesian analysis. Springer Science & Business Media.
[Blei] : Blei, D. M., Kucukelbir, A., & McAuliffe, J. D. (2017). Variational inference: A review for statisticians. Journal of the American statistical Association, 112(518), 859-877.
[Chopin] : Chopin, N., & Papaspiliopoulos, O. (2020). An introduction to sequential Monte Carlo (Vol. 4). New York: Springer.
[Diggle] : Diggle, P. J., & Ribeiro, P. J., Jr. (2007). Model-based Geostatistics. In Springer Series in Statistics. Springer New York.
[Doucet] : Doucet, A., & Johansen, A. M. (2009). A tutorial on particle filtering and smoothing: Fifteen years later. Handbook of nonlinear filtering, 12(656-704), 3.
[Gelman] : Gelman, A., Carlin, J.B., Stern, H.S., Dunson, D.B., Vehtari, A., & Rubin, D.B. (2013). Bayesian Data Analysis (3rd ed.). Chapman and Hall/CRC.
[Handbook] : Gelfand, A. E., Diggle, P., Guttorp, P., & Fuentes, M. (Eds.). (2010). Handbook of spatial statistics. CRC press.
[Heckerman] : Heckerman, D. (2008). A tutorial on learning with Bayesian networks. Innovations in Bayesian networks: Theory and applications, 33-82.
[Marin] : Marin, J. M., Pudlo, P., Robert, C. P., & Ryder, R. J. (2012). Approximate Bayesian computational methods. Statistics and computing, 22(6), 1167-1180.
[Nakajima] : Nakajima, S., Watanabe, K., & Sugiyama, M. (2019). Variational Bayesian learning theory. Cambridge University Press.
[Rue] : Rue, H., Riebler, A., Sørbye, S. H., Illian, J. B., Simpson, D. P., & Lindgren, F. K. (2017). Bayesian computing with INLA: a review. Annual Review of Statistics and Its Application, 4, 395-421.
[Simpson] : Simpson, D., Rue, H., Riebler, A., Martins, T. G., & Sørbye, S. H. (2017). Penalising model component complexity: A principled, practical approach to constructing priors.
[Villani] : Villani, M. (2023) Bayesian Learning: Bayesics, Computations and Applications. Lecture Notes.
Google Sites
Report abuse