En poursuivant votre navigation sur ce site, vous acceptez l'utilisation d'un simple cookie d'identification. Aucune autre exploitation n'est faite de ce cookie. OK

Documents Mira, Antonietta 6 résultats

Filtrer
Sélectionner : Tous / Aucun
Q
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y

Magie mathématique - Mira, Antonietta (Auteur de la Conférence) | CIRM H

Multi angle

​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

Sélection Signaler une erreur
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y
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

Sélection Signaler une erreur
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y
This is a tutorial on Bayesian statistics and machine learning. We will cover what Bayesian learning is, why different subschools of Bayesians arose, and the major classes of algorithms that implement Bayesian learning.

62C10 ; 62F15 ; 65C05

Sélection Signaler une erreur
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y
Hidden markov models (HMMs) have the interesting property that they can be used to model mixtures of populations for dependent data without prior parametric assumptions on the populations. HMMs can be used to build flexible priors.
I will present recent results on empirical Bayes multiple testing, non parametric inference of HMMs and fundamental limits in the learning of HMMs.

62G10 ; 62M99 ; 62G07

Sélection Signaler une erreur
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y
This is a tutorial on Bayesian statistics and machine learning. We will cover what Bayesian learning is, why different subschools of Bayesians arose, and the major classes of algorithms that implement Bayesian learning.

62C10 ; 62F15 ; 65C05

Sélection Signaler une erreur
Déposez votre fichier ici pour le déplacer vers cet enregistrement.
y
Hidden markov models (HMMs) have the interesting property that they can be used to model mixtures of populations for dependent data without prior parametric assumptions on the populations. HMMs can be used to build flexible priors.
I will present recent results on empirical Bayes multiple testing, non parametric inference of HMMs and fundamental limits in the learning of HMMs.

62G10 ; 62M99 ; 62G07

Sélection Signaler une erreur