Programme des cours 2017-2018
ATTENTION : version 2016-2017 de l'engagement pédagogique
ENVT3024-1  
Traitement des données environnementales
Durée :
24h Th, 24h Pr
Nombre de crédits :
Master en sciences et gestion de l'environnement, à finalité4
Master en sciences et gestion de l'environnement4
Nom du professeur :
Jean-Jacques Boreux, Anne-Claude Romain
Coordinateur(s) :
Anne-Claude Romain
Langue(s) de l'unité d'enseignement :
Langue française
Organisation et évaluation :
Enseignement au premier quadrimestre, examen en janvier
Unités d'enseignement prérequises et corequises :
Les unités prérequises ou corequises sont présentées au sein de chaque programme
Contenus de l'unité d'enseignement :
Ce cours est une introduction à la modélisation statistique paramétrique hiérarchique sous le paradigme bayésien (BHM). Un modèle apparaît sous la forme d'un réseau bayésien, c'est-à-dire un ensemble de nœuds stochastiques reliés par des flèches exprimant un lien causal entre le nœud « parent » et le nœud « enfant ». C'est la partie créative où l'étudiant fait preuve d'imagination pour mimer la nature qui a produit les observations réellement disponibles. Le code informatique d'un réseau bayésien n'est rien d'autre qu'une série d'instructions disant comment exécuter une série de tirages aléatoires dans des urnes (dont le contenu est réglé par des distributions probabilistes) pour produire des données similaires aux observations réelles. L'inférence ou partie technique consiste à remonter des effets observés (les observations) vers les causes qui les ont produits (les paramètres inconnus) en mobilisant l'expertise reconnue via la règle de Bayes. Le recours intensif aux méthodes de Monte Carlo par chaîne de Markov (MCMC) débarrasse l'étudiant des soucis calculatoires et libère ainsi sa créativité. Tous les calculs sont faits en arrière-plan via le logiciel libre WinBUGS relié au logiciel libre R via le package R2WinBUGS.
Acquis d'apprentissage (objectifs d'apprentissage) de l'unité d'enseignement :
Former l'étudiant à la production d'informations pertinentes pour l'aide à la décision à partir d'un échantillon de données brutes (mesures ou obervations de terrain). Dans cette perspective, la quantification des incertitudes est essentielle.
Savoirs et compétences prérequis :
L'étudiant est sensé avoir des connaissances élémentaires en mathématique (niveau de l'enseignement secondaire), en statistique (niveau bachelier) et il connaît les lois standards (Bernoulli, binomiale, Poisson, normale) et est capable de manipuler un ordinateur, notamment il peut écrire un code simple.
Activités d'apprentissage prévues et méthodes d'enseignement :
Le cours est une succession de cours théoriques suivis de travaux pratiques sous la conduite du professeur, puis sous forme d'exercices à réaliser seul ou en groupe selon le cas.
Mode d'enseignement (présentiel ; enseignement à distance) :
Présentiel pour les cours théoriques et certains TP (mises en condition).
Lectures recommandées ou obligatoires et notes de cours :
Pratique du calcul bayésien (Boreux et al., 2010)
Modalités d'évaluation et critères :
Le contrôle des connaissances consiste en un exercice pratique que l'étudiant réalise sur son ordinateur portable durant un temps limité (typiquement trois heures) et à l'issue duquel il envoie un fichier sauvé sous nom à l'adresse mail du professeur. De ce fait l'examen est à livre ouvert et les critères d'évaluation excluent donc la reproduction des connaissances pour se focaliser sur la créativité, le bon sens et l'analyse critique des résultats obtenus.
Stage(s) :
Aucun.
Remarques organisationnelles :
Aucune.
Contacts :
jj.boreux@ulg.ac.be