« Calcul bayésien approximatif » : différence entre les versions

Dernière version du 30 août 2024 à 13:56

Définition

Le calcul bayésien approximatif constitue une classe de méthodes de calcul enracinées dans les statistiques bayésiennes qui sont utilisées pour estimer les distributions postérieures des paramètres du modèle.

Ces méthodes contournent le calcul exact de la fonction de vraisemblance en faisant une approximation. En effet, le calcul exact peut s’avérer très lourd, voire impossible. Une grande partie du succès des statistiques bayésiennes repose sur l’idée d’approximation. Les méthodes CBA sont mathématiquement bien fondées, cependant elles font inévitablement des hypothèses et des approximations dont l’impact doit être soigneusement évalué. De plus, le domaine d’application plus large des méthodes CBA présente des défis au niveau de l’estimation des paramètres et de la sélection des modèles.

Français

Calcul bayésien approximatif

Anglais

Approximate bayesian computation

Sources

Source : Wikipedia

Source : L'apprentissage profond, Ian Goodfellow, Yoshua Bengio et Aaron Courville Éd. Massot 2018 page 703

@@ Ligne 1 : / Ligne 1 : @@
-== en construction ==
-[[Catégorie:Vocabulaire]]
-[[Catégorie:App-profond-livre]]
-[[Catégorie:Apprentissage profond]]
 == Définition ==
-Le calcul bayésien approximatif (CAB) constitue une classe de méthodes de calcul enracinées dans les statistiques bayésiennes qui peuvent être utilisées pour estimer les distributions postérieures des paramètres du modèle.
+Le calcul bayésien approximatif constitue une classe de méthodes de calcul enracinées dans les statistiques bayésiennes qui sont utilisées pour estimer les distributions postérieures des paramètres du modèle.
-Ces méthodes contournent l'évaluation de la fonction de vraisemblance. De cette façon, les méthodes CAB élargissent le domaine des modèles pour lesquels l'inférence statistique peut être considérée. Les méthodes ABC sont mathématiquement bien fondées, mais elles font inévitablement des hypothèses et des approximations dont l'impact doit être soigneusement évalué. De plus, le domaine d'application plus large de l'CAB exacerbe les défis de l'estimation des paramètres et de la sélection des modèles.
+Ces méthodes contournent le calcul exact de la fonction de vraisemblance en faisant une approximation. En effet, le calcul exact peut s’avérer très lourd, voire impossible. Une grande partie du succès des statistiques bayésiennes repose sur l’idée d’approximation. Les méthodes CBA sont mathématiquement bien fondées, cependant elles font inévitablement des hypothèses et des approximations dont l’impact doit être soigneusement évalué. De plus, le domaine d’application plus large des méthodes CBA présente des défis au niveau de l’estimation des paramètres et de la sélection des modèles.
 == Français ==
 '''Calcul bayésien approximatif'''
 == Anglais ==
 '''Approximate bayesian computation '''
+==Sources==
-<small>
+[https://en.wikipedia.org/wiki/Approximate_Bayesian_computation  Source : Wikipedia ]
+[https://www.apprentissageprofond.org/   Source :  ''L'apprentissage profond'',  Ian Goodfellow, Yoshua Bengio et Aaron Courville  Éd. Massot 2018 page 703 ]
-[https://en.wikipedia.org/wiki/Approximate_Bayesian_computation  Source : Wikipedia ]
+[[Catégorie:GRAND LEXIQUE FRANÇAIS]]
-[https://www.apprentissageprofond.org/   Source: L'apprentissage profond. Éd.Massot 2018 page 703 ]

« Calcul bayésien approximatif » : différence entre les versions