m

F Nous contacter


0

2018 - Sem 2 - Mengersen - Pudlo  | enregistrements trouvés : 14

O
     

-A +A

P Q

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

Data mining methods based on finite mixture models are quite common in many areas of applied science, such as marketing, to segment data and to identify subgroups with specific features. Recent work shows that these methods are also useful in micro econometrics to analyze the behavior of workers in labor markets. Since these data are typically available as time series with discrete states, clustering kernels based on Markov chains with group-specific transition matrices are applied to capture both persistence in the individual time series as well as cross-sectional unobserved heterogeneity. Markov chains clustering has been applied to data from the Austrian labor market, (a) to understanding the effect of labor market entry conditions on long-run career developments for male workers (Frühwirth-Schnatter et al., 2012), (b) to study mothers’ long-run career patterns after first birth (Frühwirth-Schnatter et al., 2016), and (c) to study the effects of a plant closure on future career developments for male worker (Frühwirth-Schnatter et al., 2018). To capture non- stationary effects for the later study, time-inhomogeneous Markov chains based on time-varying group specific transition matrices are introduced as clustering kernels. For all applications, a mixture-of-experts formulation helps to understand which workers are likely to belong to a particular group. Finally, it will be shown that Markov chain clustering is also useful in a business application in marketing and helps to identify loyal consumers within a customer relationship management (CRM) program.
Data mining methods based on finite mixture models are quite common in many areas of applied science, such as marketing, to segment data and to identify subgroups with specific features. Recent work shows that these methods are also useful in micro econometrics to analyze the behavior of workers in labor markets. Since these data are typically available as time series with discrete states, clustering kernels based on Markov chains with ...

62C10 ; 62M05 ; 62M10 ; 62H30 ; 62P20 ; 62F15

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

Multi angle  Magie mathématique
Mira, Antonietta (Auteur de la Conférence) | CIRM (Editeur )

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

Multi angle  Introduction
Pudlo, Pierre (Auteur de la Conférence) | CIRM (Editeur )

​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de disparition, etc.

​C'est sur ces grands défis actuels et à venir que se penche Kerrie Mengersen, statisticienne australienne en résidence pour six mois au Cirm-Luminy (titulaire de la Chaire Jean-Morlet), aux côtés de Pierre Pudlo, Mathématicien à Aix-Marseille Université.

​La Chaire Jean-Morlet et le Cirm profitent de la richesse scientifique de cette résidence de chercheurs pour proposer une conférence à destination des lycéens et étudiants : seront ainsi abordées les différentes problématiques pour lesquelles l'intelligence artificielle et le big data jouent un rôle considérable.
​L'intérêt pour l'intelligence artificielle (IA) s'est considérablement accru ces dernières années et l'IA a été appliquée avec succès à des problèmes de société. Le Big Data, le recueil et l’analyse des données, la statistique se penchent sur l’amélioration de la société de demain. Big Data en santé publique, dans le domaine de la justice pénale, de la sécurité aéroportuaire, des changements climatiques, de la protection des espèces en voie de ...

68Txx ; 62-07

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

Arctic sea-ice extent has been of considerable interest to scientists in recent years, mainly due to its decreasing trend over the past 20 years. In this talk, I propose a hierarchical spatio-temporal generalized linear model (GLM) for binary Arctic-sea-ice data, where data dependencies are introduced through a latent, dynamic, spatio-temporal mixed-effects model. By using a fixed number of spatial basis functions, the resulting model achieves both dimension reduction and non-stationarity for spatial fields at different time points. An EM algorithm is used to estimate model parameters, and an MCMC algorithm is developed to obtain the predictive distribution of the latent spatio-temporal process. The methodology is applied to spatial, binary, Arctic-sea-ice data for each September over the past 20 years, and several posterior summaries are computed to detect changes of Arctic sea-ice cover. The fully Bayesian version is under development awill be discussed.
Arctic sea-ice extent has been of considerable interest to scientists in recent years, mainly due to its decreasing trend over the past 20 years. In this talk, I propose a hierarchical spatio-temporal generalized linear model (GLM) for binary Arctic-sea-ice data, where data dependencies are introduced through a latent, dynamic, spatio-temporal mixed-effects model. By using a fixed number of spatial basis functions, the resulting model achieves ...

62M30 ; 62M10 ; 62M15

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

With the growing capabilities of Geographic Information Systems (GIS) and user-friendly software, statisticians today routinely encounter geographically referenced data containing observations from a large number of spatial locations and time points. Over the last decade, hierarchical spatiotemporal process models have become widely deployed statistical tools for researchers to better understand the complex nature of spatial and temporal variability. However, fitting hierarchical spatiotemporal models often involves expensive matrix computations with complexity increasing in cubic order for the number of spatial locations and temporal points. This renders such models unfeasible for large data sets. I will present a focused review of two methods for constructing well-defined highly scalable spatiotemporal stochastic processes. Both these processes can be used as ``priors" for spatiotemporal random fields. The first approach constructs a low-rank process operating on a lower-dimensional subspace. The second approach constructs a Nearest-Neighbor Gaussian Process (NNGP) that ensures sparse precision matrices for its finite realizations. Both processes can be exploited as a scalable prior embedded within a rich hierarchical modeling framework to deliver full Bayesian inference. These approaches can be described as model-based solutions for big spatiotemporal datasets. The models ensure that the algorithmic complexity has n floating point operations (flops), where n is the number of spatial locations (per iteration). We compare these methods and provide some insight into their methodological underpinnings.
With the growing capabilities of Geographic Information Systems (GIS) and user-friendly software, statisticians today routinely encounter geographically referenced data containing observations from a large number of spatial locations and time points. Over the last decade, hierarchical spatiotemporal process models have become widely deployed statistical tools for researchers to better understand the complex nature of spatial and temporal ...

62P12 ; 62M30 ; 62F15

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

In many health studies, interest often lies in assessing health effects on a large set of outcomes or specific outcome subtypes, which may be sparsely observed, even in big data settings. For example, while the overall prevalence of birth defects is not low, the vast heterogeneity in types of congenital malformations leads to challenges in estimation for sparse groups. However, lumping small groups together to facilitate estimation is often controversial and may have limited scientific support.
There is a very rich literature proposing Bayesian approaches for clustering starting with a prior probability distribution on partitions. Most approaches assume exchangeability, leading to simple representations in terms of Exchangeable Partition Probability Functions (EPPF). Gibbs-type priors encompass a broad class of such cases, including Dirichlet and Pitman-Yor processes. Even though there have been some proposals to relax the exchangeability assumption, allowing covariate-dependence and partial exchangeability, limited consideration has been given on how to include concrete prior knowledge on the partition. We wish to cluster birth defects into groups to facilitate estimation, and we have prior knowledge of an initial clustering provided by experts. As a general approach for including such prior knowledge, we propose a Centered Partition (CP) process that modifies the EPPF to favor partitions close to an initial one. Some properties of the CP prior are described, a general algorithm for posterior computation is developed, and we illustrate the methodology through simulation examples and an application to the motivating epidemiology study of birth defects.
In many health studies, interest often lies in assessing health effects on a large set of outcomes or specific outcome subtypes, which may be sparsely observed, even in big data settings. For example, while the overall prevalence of birth defects is not low, the vast heterogeneity in types of congenital malformations leads to challenges in estimation for sparse groups. However, lumping small groups together to facilitate estimation is often ...

62F15 ; 62H30 ; 60G09 ; 60G57 ; 62G05 ; 62P10

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

The term ‘Public Access Defibrillation’ (PAD) is referred to programs based on the placement of Automated External Defibrillators (AED) in key locations along cities’ territory together with the development of a training plan for users (first responders). PAD programs are considered necessary since time for intervention in cases of sudden cardiac arrest outside of a medical environment (out-of-hospital cardiocirculatory arrest, OHCA) is strongly limited: survival potential decreases from a 67% baseline by 7 to 10% for each minute of delay in first defibrillation. However, it is widely recognized that current PAD performance is largely below its full potential. We provide a Bayesian spatio-temporal statistical model for predidicting OHCAs. Then we construct a risk map for Ticino, adjusted for demographic covariates, that explains and forecasts the spatial distribution of OHCAs, their temporal dynamics, and how the spatial distribution changes over time. The objective is twofold: to efficiently estimate, in each area of interest, the occurrence intensity of the OHCA event and to suggest a new optimized distribution of AEDs that accounts for population exposure to the geographic risk of OHCA occurrence and that includes both displacement of current devices and installation of new ones.
The term ‘Public Access Defibrillation’ (PAD) is referred to programs based on the placement of Automated External Defibrillators (AED) in key locations along cities’ territory together with the development of a training plan for users (first responders). PAD programs are considered necessary since time for intervention in cases of sudden cardiac arrest outside of a medical environment (out-of-hospital cardiocirculatory arrest, OHCA) is strongly ...

62F15 ; 62P10 ; 62H11 ; 91B30

Déposez votre fichier ici pour le déplacer vers cet enregistrement.

Capture-Recapture (RC) methodology provides a way to estimate the size of a population from multiple, independent samples. While the was developed more than a century ago to count animal populations, it has only recently become important in Data For Social Good. The large number of samples with varying amounts of intersection and developed over a period of time, so often found in Data For Social Good projects, can greatly complicate conventional RC methodology. These conditions are ideal, however, for Bayesian Capture Recapture. This presentation describes the use of Bayesian Capture Recapture to estimate populations in Data for Social Good. Examples illustrating this method include new work by the author in estimating numbers of human trafficking victims and in estimating the size of hate groups from the analysis of hate speech in social media.
Capture-Recapture (RC) methodology provides a way to estimate the size of a population from multiple, independent samples. While the was developed more than a century ago to count animal populations, it has only recently become important in Data For Social Good. The large number of samples with varying amounts of intersection and developed over a period of time, so often found in Data For Social Good projects, can greatly complicate conventional ...

62P25 ; 62F15 ; 62M10

Z