Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Séance de cours

Inférence pour les processus Max-Stable

Description

Cette séance de cours couvre les étapes d'inférence pour les processus à table maximale, y compris l'estimation des distributions marginales, l'ajustement du modèle et l'évaluation du modèle. Il introduit le F-madogramme comme outil exploratoire pour les extrêmes et explique l'estimation des coefficients extrêmes. La séance de cours traite également des coefficients extrêmes espace-temps appariés et de l'ajustement des modèles de précipitations Brown-Resnick max-stable. Différents modèles max-stables sont comparés, et l'importance d'utiliser ces modèles pour les propriétés articulaires extrêmes est soulignée.

Cette vidéo est disponible exclusivement sur Mediaspace pour un public restreint. Veuillez vous connecter à Mediaspace pour y accéder si vous disposez des autorisations nécessaires.

Regarder sur Mediaspace

Source officielle

Concepts associés (9)

Model selection

Model selection is the task of selecting a model from among various candidates on the basis of performance criterion to choose the best one. In the context of learning, this may be the selection of a statistical model from a set of candidate models, given data. In the simplest cases, a pre-existing set of data is considered. However, the task can also involve the design of experiments such that the data collected is well-suited to the problem of model selection.

Inférence statistique

vignette|Illustration des 4 principales étapes de l'inférence statistique L'inférence statistique est l'ensemble des techniques permettant d'induire les caractéristiques d'un groupe général (la population) à partir de celles d'un groupe particulier (l'échantillon), en fournissant une mesure de la certitude de la prédiction : la probabilité d'erreur. Strictement, l'inférence s'applique à l'ensemble des membres (pris comme un tout) de la population représentée par l'échantillon, et non pas à tel ou tel membre particulier de cette population.

Surapprentissage

vignette|300x300px|La ligne verte représente un modèle surappris et la ligne noire représente un modèle régulier. La ligne verte classifie trop parfaitement les données d'entrainement, elle généralise mal et donnera de mauvaises prévisions futures avec de nouvelles données. Le modèle vert est donc finalement moins bon que le noir. En statistique, le surapprentissage, ou sur-ajustement, ou encore surinterprétation (en anglais « overfitting »), est une analyse statistique qui correspond trop précisément à une collection particulière d'un ensemble de données.

Ajustement de courbe

thumb|upright=2.2|Ajustement par itérations d'une courbe bruitée par un modèle de pic asymétrique (méthode de Gauss-Newton avec facteur d'amortissement variable). L'ajustement de courbe est une technique d'analyse d'une courbe expérimentale, consistant à construire une courbe à partir de fonctions mathématiques et d'ajuster les paramètres de ces fonctions pour se rapprocher de la courbe mesurée . On utilise souvent le terme anglais curve fitting, profile fitting ou simplement fitting, pour désigner cette méthode ; on utilise souvent le franglais « fitter une courbe » pour dire « ajuster une courbe ».

Espace-temps

En physique, l'espace-temps est une représentation mathématique de l'espace et du temps comme deux notions inséparables et s'influençant l'une l'autre. En réalité, ce sont deux versions (vues sous un angle différent) d'une même entité. Cette conception de l'espace et du temps est l'un des grands bouleversements survenus au début du dans le domaine de la physique, mais aussi pour la philosophie. Elle est apparue avec la relativité restreinte et sa représentation géométrique qu'est l'espace de Minkowski ; son importance a été renforcée par la relativité générale.

Afficher plus

Séances de cours associées (33)

Critères de sélection du modèle : AIC, BIC, Cp

Explore les critères de sélection des modèles comme l'AIC, le BIC et le Cp en statistique pour la science des données.

Régression linéaire probabiliste

Examine la régression probabiliste linéaire, couvrant les probabilités articulaires et conditionnelles, la régression des crêtes et l'atténuation excessive.

Probabilité maximale: Inférence et comparaison du modèle

Explore l'inférence de vraisemblance maximale, la sélection de modèles et la comparaison de modèles à l'aide de ratios de vraisemblance.

Régression linéaire : estimation et inférence

Explore l'estimation de régression linéaire, les hypothèses de linéarité et les tests statistiques dans le contexte de la comparaison de modèles.

Régression linéaire

Couvre le concept de régression linéaire, y compris la régression polynomiale et la sélection des hyperparamètres.

Afficher plus

Concepts associés (9)

Model selection

Inférence statistique