Cours.Semaine9 History
Hide minor edits - Show changes to markup
Sujet de TME de l'année (le même que ci-dessus avec pas mal de commentaires supplémentaires pour faciliter les premières questions): 2020_tme8_v2.ipynb
Sujet de TME de l'année (le même que ci-dessus avec pas mal de commentaires supplémentaires pour faciliter les premières questions): 2020_tme8_v12.ipynb
Sujet de TME de l'année (le même que ci-dessus avec pas mal de commentaires supplémentaires pour faciliter les premières questions): 2020_tme8_v2.ipynb
Sujet de TME de l'année: 2020_tme8.zip Δ
Sujet de TME de l'année: 2020_tme8.ipynb
Enoncé du TME : TME8
Sujet de TME de l'année: 2020_tme8.zip Δ
Ancien énoncé de TME, très ludique mais malheureusement peu centré sur l'échantillonnage : TME8
Le poly du cours : cours9.pdf et le poly en version 4 slides / page : cours9_4.pdf
Le poly du cours : cours9.pdf Δ
Cours 9 : échantillonnage et MCMC
Cours 8 : échantillonnage et MCMC
Enoncé du TME : TME9
Enoncé du TME : TME8
Le poly du cours : cours9.pdf et le poly en version 4 slides / page : cours9_4.pdf
Le poly du cours : cours9.pdf et le poly en version 4 slides / page : cours9_4.pdf
Recueil de TD : TD9.pdf
Recueil de TD : cf semaine 1 (poly complet)
- John Kerl, The Metropolis-Hastings algorithm by example
- John Kerl, The Metropolis-Hastings algorithm by example
et le poly en version 4 slides / page : cours9_4.pdf
Le poly du cours : cours9.pdf
Le poly du cours : cours9.pdf
Recueil de TD : TD9.pdf
Recueil de TD : TD9.pdf
- 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.
- 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.
- des vidéos montrant la constitution des échantillons par les différents algorithmes sont présentés en cours.
- des vidéos montrant la constitution des échantillons par les différents algorithmes sont présentés en cours
- 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.
- 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.
- 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
- Métropolis-Hastings :
- Gibbs :
- 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.
- 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.
- 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.
Cours 8 : MCMC
Cours 9 : échantillonnage et MCMC
Le poly du cours : cours8.pdf
Le poly du cours : cours9.pdf
Recueil de TD : TD8.pdf
Recueil de TD : TD9.pdf
Enoncé du TME : TME9
Cours 8 : MCMC
Contenu du cours
- Métropolis-Hastings :
- Gibbs :
Le poly du cours : cours8.pdf
Quelques exemples abordés en cours
TD
Recueil de TD : TD8.pdf
TME
Bibliographie
- Siddhartha Chib and Edward Greenberg (1995) "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, The Metropolis-Hastings algorithm by example