Séance de cours

Sexing Guppy Fish: Règles d'inférence et de décision bayésiennes

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Dans cours

EE-311: Apprentissage et intelligence artificielle

Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux. ...

Description

Cette séance de cours couvre le sexage des poissons guppy à l'aide de règles d'inférence et de décision bayésiennes basées sur la taille des poissons, en mettant l'accent sur le rapport de vraisemblance, les distributions antérieures et les valeurs seuils pour une prédiction précise du sexe.

Enseignant·e·s (2)

Michael Stefan Daniel Liebling

Enseignement et PhD A co-dirigé les thèses EPFL de Christian Jaques, Olivia Mariani, Adrian Shajkofci, François Thierry M Marelli Cours Apprentissage et intelligence artificielle EE-311 Ce cours présente une vue générale des techniques d'apprentissage automatique, passant en revue les algorithmes, le formalisme théorique et les protocoles expérimentaux.

François Fleuret

Source officielle

Concepts associés (31)

Loi bêta

Dans la théorie des probabilités et en statistiques, la loi bêta est une famille de lois de probabilités continues, définies sur , paramétrée par deux paramètres de forme, typiquement notés (alpha) et (bêta). C'est un cas spécial de la loi de Dirichlet, avec seulement deux paramètres. Admettant une grande variété de formes, elle permet de modéliser de nombreuses distributions à support fini. Elle est par exemple utilisée dans la méthode PERT. Fixons les deux paramètres de forme α, β > 0.

Inférence bayésienne

vignette|Illustration comparant les approches fréquentiste et bayésienne (Christophe Michel, 2018). L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements.

Likelihood principle

In statistics, the likelihood principle is the proposition that, given a statistical model, all the evidence in a sample relevant to model parameters is contained in the likelihood function. A likelihood function arises from a probability density function considered as a function of its distributional parameterization argument.

Poisson d'eau douce

Un poisson d'eau douce est une espèce de poissons qui passe toute ou une partie de sa vie en eau douce, dans les cours d'eau et les lacs, où la salinité est très faible (moins de 0,05 %). Pour survivre dans ce type d'environnement, les poissons d'eau douce disposent de caractéristiques physiologiques précises et différentes des autres poissons. 41,24 % de toutes les espèces connues de poissons sont des poissons d'eau douce.

Statistique bayésienne

La statistique bayésienne est une approche statistique fondée sur l'inférence bayésienne, où la probabilité exprime un degré de croyance en un événement. Le degré initial de croyance peut être basé sur des connaissances a priori, telles que les résultats d'expériences antérieures, ou sur des croyances personnelles concernant l'événement. La perspective bayésienne diffère d'un certain nombre d'autres interprétations de la probabilité, comme l'interprétation fréquentiste qui considère la probabilité comme la limite de la fréquence relative d'un événement après de nombreux essais.

Afficher plus

Séances de cours associées (64)

Estimation bayésienne : Aperçu et exemples

Introduit l'estimation bayésienne, qui couvre l'inférence classique par rapport à l'inférence bayésienne, les antécédents conjugués, les méthodes MCMC et des exemples pratiques comme l'estimation de la température et la modélisation de choix.

Densités et inférence bayésienne: règles de décision et droit bayésien

Couvre les concepts de classification, les tests de dépistage médical et les règles de décision.

Inférence bayésienne: Modèle Beta-Bernoulli

Explore la distribution bêta, l'inférence bayésienne et le calcul postérieur dans le modèle Beta-Bernoulli.

Estimation maximale de vraisemblance : estimation de densité et modèle de Bernoulli

Explore l'estimation du maximum de vraisemblance pour la densité et le modèle Bernoulli, y compris la fiabilité des tests et le dépistage des maladies.

Statistiques bayésiennes: Tests d'hypothèses et estimation

Couvre les tests d'hypothèses, les valeurs de p, les niveaux de signification et l'estimation bayésienne.

Afficher plus

Concepts associés (31)

Statistique bayésienne

Afficher plus