Computational probability modeling and Bayesian inference

Résumé : La modélisation probabiliste et l'inférence bayésienne computationnelles rencontrent un très grand succès depuis une quinzaine d'années grâce au développement des méthodes de Monte Carlo et aux performances toujours croissantes des moyens de calcul. Au travers d'outils comme les méthodes de Monte Carlo par chaîne de Markov et les méthodes de Monte Carlo séquentielles, l'inférence bayésienne se combine efficacement à la modélisation markovienne. Cette approche est également très répandue dans le domaine de l'écologie et l'agronomie. Nous faisons le point sur les développements de cette approche appliquée à quelques exemples de gestion de ressources naturelles.
Type de document :
Article dans une revue
Revue Africaine de la Recherche en Informatique et Mathématiques Appliquées, INRIA, 2008, Conference in Honor of Claude Lobry, 9, pp.123-143
Liste complète des métadonnées

Littérature citée [41 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-00999966
Contributeur : Coordination Episciences Iam <>
Soumis le : lundi 23 mai 2016 - 16:02:12
Dernière modification le : mercredi 10 octobre 2018 - 14:28:06

Fichier

arima00908.pdf
Accord explicite pour ce dépôt

Identifiants

  • HAL Id : hal-00999966, version 2

Collections

Citation

Fabien Campillo, Rivo Rakotozafy, Vivien Rossi. Computational probability modeling and Bayesian inference. Revue Africaine de la Recherche en Informatique et Mathématiques Appliquées, INRIA, 2008, Conference in Honor of Claude Lobry, 9, pp.123-143. 〈hal-00999966v2〉

Partager

Métriques

Consultations de la notice

307

Téléchargements de fichiers

276