Cours

Cours.Semaine9 History

Hide minor edits - Show changes to output

Changed lines 3-4 from:
!!Cours 9 : échantillonnage et MCMC
to:
!!Cours 8 : échantillonnage et MCMC
Changed line 27 from:
Enoncé du TME : [[Cours.TME9 | TME9]]
to:
Enoncé du TME : [[Cours.TME9 | TME8]]
Changed lines 11-12 from:
Le poly du cours : [[(Attach:)2015_MAPSI_Cours9.pdf | cours9.pdf]]
et le poly en version 4 slides / page : [[(Attach:)2015_MAPSI_Cours9_4.pdf | cours9_4.pdf]]
to:
Le poly du cours : [[(Attach:)2018_MAPSI_cours9.pdf | cours9.pdf]]
et le poly en version 4 slides / page : [[(Attach:)2018_MAPSI_cours9_4.pdf | cours9_4.pdf]]
Changed lines 23-25 from:
Recueil de TD : [[(Attach:)2015_MAPSI_TD9.pdf | TD9.pdf]]

to:
Recueil de TD : cf semaine 1 (poly complet)
Changed line 34 from:
# John Kerl, [[http://www.johnkerl.org/doc/mhcoin.pdf | The Metropolis-Hastings algorithm by example]]
to:
# John Kerl, [[http://www.johnkerl.org/doc/mhcoin.pdf | The Metropolis-Hastings algorithm by example]]
Added line 12:
et le poly en version 4 slides / page : [[(Attach:)2015_MAPSI_Cours9_4.pdf | cours9_4.pdf]]
Changed lines 11-12 from:
Le poly du cours : [[(Attach:)2014_MAPSI_Cours9.pdf | cours9.pdf]]
to:
Le poly du cours : [[(Attach:)2015_MAPSI_Cours9.pdf | cours9.pdf]]
Changed line 22 from:
Recueil de TD : [[(Attach:)2014_MAPSI_TD9.pdf | TD9.pdf]]
to:
Recueil de TD : [[(Attach:)2015_MAPSI_TD9.pdf | TD9.pdf]]
Changed line 8 from:
# %course_topic%''Metropolis-Hastings'' : %% Afin de pallier le problème du taux de rejet de rejection sampling, on peut utiliser des techniques de ''Monte Carlo Markov Chain'' (MCMC), qui permettent d'obtenir bien plus rapidement des échantillons selon des lois très complexes. Le cours dérive de manière intuitive les formules de Metropolis-Hastings.
to:
# %course_topic%''Metropolis-Hastings'' : %% Afin de pallier le problème du taux de rejet de rejection sampling, on peut utiliser des techniques dites de ''Monte Carlo Markov Chain'' (MCMC), qui permettent d'obtenir bien plus rapidement des échantillons selon des lois très complexes. Le cours dérive de manière intuitive les formules de Metropolis-Hastings.
Changed line 17 from:
# des vidéos montrant la constitution des échantillons par les différents algorithmes sont présentés en cours.
to:
# des vidéos montrant la constitution des échantillons par les différents algorithmes sont présentés en cours
Changed line 7 from:
# %course_topic%''Rejection Sampling'' : %% Cet algorithme classique permet d'échantillonner des distributions complexes. Comme son nom l'indique, certains échantillons sont rejetés. Si le taux de rejet reste limité, c'est un bon algorithme d'échantillonnage.
to:
# %course_topic%''Rejection Sampling'' : %% Cet algorithme classique permet d'échantillonner des distributions complexes. Comme son nom l'indique, certains échantillons sont rejetés. Si le taux de rejet reste limité, c'est un bon algorithme d'échantillonnage, sinon sa convergence peut s'avérer extrêmement fastidieuse.
Added lines 15-18:
# modèles d'Ising
# tracking vidéo par filtrage particulaire
# des vidéos montrant la constitution des échantillons par les différents algorithmes sont présentés en cours.
# échantillonnage de distributions (de grandes dimensions) décrites par des réseaux bayésiens
Changed lines 7-10 from:
# %course_topic%''Métropolis-Hastings'' : %%

# %course_topic%
''Gibbs'' : %%
to:
# %course_topic%''Rejection Sampling'' : %% Cet algorithme classique permet d'échantillonner des distributions complexes. Comme son nom l'indique, certains échantillons sont rejetés. Si le taux de rejet reste limité, c'est un bon algorithme d'échantillonnage.
# %course_topic%''Metropolis-Hastings'' : %% Afin de pallier le problème du taux de rejet de rejection sampling, on peut utiliser des techniques de ''Monte Carlo Markov Chain'' (MCMC), qui permettent d'obtenir bien plus rapidement des échantillons selon des lois très complexes. Le cours dérive de manière intuitive les formules de Metropolis-Hastings.
# %course_topic%''Gibbs'' : %% L'échantillonneur de Gibbs est un cas particulier de Metropolis-Hastings, qui simplifie beaucoup les formules. Il présente de surcroît l'avantage de ne jamais rejeter un seul échantillon. C'est un algorithme ultra classique et extrêmement utilisé en pratique.

Deleted line 11:
Changed lines 3-4 from:
!!Cours 8 : MCMC
to:
!!Cours 9 : échantillonnage et MCMC
Changed lines 11-13 from:
Le poly du cours : [[(Attach:)2014_MAPSI_Cours8.pdf | cours8.pdf]]

to:
Le poly du cours : [[(Attach:)2014_MAPSI_Cours9.pdf | cours9.pdf]]

Changed lines 19-21 from:
Recueil de TD : [[(Attach:)2014_MAPSI_TD8.pdf | TD8.pdf]]

to:
Recueil de TD : [[(Attach:)2014_MAPSI_TD9.pdf | TD9.pdf]]

Changed line 24 from:
Enoncé du TME : [[Cours.TME8 | TME8]]
to:
Enoncé du TME : [[Cours.TME9 | TME9]]
Added lines 1-31:
%define=course_topic color=red%
%define=section color=blue%
!!Cours 8 : MCMC

!!!%section%Contenu du cours%%

# %course_topic%''Métropolis-Hastings'' : %%

# %course_topic%''Gibbs'' : %%

Le poly du cours : [[(Attach:)2014_MAPSI_Cours8.pdf | cours8.pdf]]


!!!%section%Quelques exemples abordés en cours%%


!!!%section%TD%%

Recueil de TD : [[(Attach:)2014_MAPSI_TD8.pdf | TD8.pdf]]


!!!%section%TME%%

Enoncé du TME : [[Cours.TME8 | TME8]]


!!!%section%Bibliographie%%

# Siddhartha Chib and Edward Greenberg (1995) [[http://streaming.stat.iastate.edu/~stat444x_B/Literature/ChibGreenberg.pdf | "Understanding the Metropolis–Hastings Algorithm".]] American Statistician, vol. 49, N°4, pp. 327–335
# George Casella and Christian Robert (2009) "Introducing Monte Carlo Methods with R", Springer Verlag
# John Kerl, [[http://www.johnkerl.org/doc/mhcoin.pdf | The Metropolis-Hastings algorithm by example]]