Rappels en probabilité Sophie Ancelet  Référence : #C1 Objectif : Acquérir les notions de bases en probabilité utiles pour se lancer dans l'étude de la statistique bayésienne Niveau de difficulté : ★ Correspondance dans le livre : Chapitres 1 et 2 Principes de la démarche bayésienne en statistique Eric Parent  Référence : #C2 Objectif : Comprendre les fondements de la statistique bayésienne et son fonctionnement à travers des exemples simples Niveau de difficulté : ★ Correspondance dans le livre : Chapitre 3 Initiation aux modèles graphiques Eric Parent  Référence : #C3 Objectif : Appréhender la modélisation hiérarchique, pierre angulaire de la statistique bayésienne, et en faire un cadre de raisonnement Niveau de difficulté : ★ Correspondance dans le livre : Chapitre 4 | Distributions a priori Olivier David  Référence : #C4 Objectif : Faire un tour d'horizon rapide sur les types de lois a priori utilisées en statistique bayésienne Niveau de difficulté : ★ Correspondance dans le livre : Chapitre 7 Pourquoi faire du bayésien en pratique ? Eric Parent  Référence : #C5 Objectif : Percevoir de manière globale l'intérêt de l'approche bayésienne, notamment à travers un exemple grandeur nature, et recevoir des conseils de lecture Niveau de difficulté : ★ Présentation des logiciels WinBUGS / JAGS / STAN Emily Walker, Matthieu Authier  Référence : #C6 Objectif : Appréhender les différences majeures entre des logiciels classiquement utilisés en statistique bayésienne Niveau de difficulté : ★★ | Elicitation d’experts Sophie Ancelet, David Makowski  Référence : #C7 Objectif : Acquérir des techniques permettant de spécifier une loi a priori sur la base des dires d'experts Niveau de difficulté : ★★ Correspondance dans le livre : Chapitre 7 Méta-analyse en bayésien David Makowski  Référence : #C8 Objectif : Savoir mettre en oeuvre, à la mode bayésienne, une méta-analyse permettant de synthétiser les résultats d'analyses quantitatives indépendantes Niveau de difficulté : ★★ Vérification et évaluation de modèles David Makowski  Référence : #C9 Objectif : Acquérir les notions majeures permettant d'évaluer et comparer l'ajustement des modèles aux données Niveau de difficulté : ★★ Correspondance dans le livre : Chapitre 6 Estimation des distributions a posteriori avec des méthodes numériques Samuel Soubeyrand  Référence : #C10 Objectif : Appréhender les algorithmes (e.g. MCMC, HMC et ABC) utilisés dans les logiciels classiquement utilisés en statistique bayésienne Niveau de difficulté : ★★★ Correspondance dans le livre : Chapitre 5 |