Dans ce quatrième épisode, Alexandre et Jean-Nicolas reviennent sur la formule de Bayes et vous expliquent comment cela fonctionne quand l'objet d'étude est très compliqué : que faire quand on ne connaît pas la distribution de probabilité que l'on cherche à exprimer ? Que faire quand l'espace dans lequel on étudie a plus de 3 dimensions (comme une élection à 8 partis par exemple, qui a... 8 dimensions)? Comment notre modèle s'en sort-il face à cela ?
Toutes ces questions vous emmèneront sur les traces du roi Markov et de son conseiller mathématicien, un certain Metropolis... Cet exemple concret vous aidera à comprendre un peu mieux les méthodes de simulation et d'optimisation utilisées par les modèles bayésiens, à mieux appréhender l'utilité des méthodes bayésiennes et à démystifier le côté "magique" des algorithmes.
Rejoignez-nous pour cet épisode, et envoyez-nous vos questions, par mail ou par Twitter ! Et si ça vous plaît, abonnez-vous, laissez-nous 5 étoiles sur votre plateforme de podcast préférée, et parlez-en à vos amis - ils vous remercieront, et nous aussi :)
Liens évoqués dans l'épisode:
