TP4-ThInfo-Correction

Posted on Mon 30 March 2020 in posts • Tagged with python, information theory, bayes, inference

TP4

Le but de ce TP est de voir en pratique le code de répétition $R_n$ vu en cours sur une image. On verra ensuite comment décoder un cas avec des bits vérificateur de parité.

Question

TP6-ThInfo-Correction

Posted on Mon 30 March 2020 in posts • Tagged with python, information theory, bayes, inference

 TP6 : L'ensemble des codes aléatoires

Nous allons regarder ici un exemple de code particulier : l'ensemble de codes aléatoires. Ce code très simple, permet de saturer la borne de Shannon dans le théorème du codage de la source. Le principe est le suivant : soit un ensemble de symboles (à transmettre) de taille $2^M$. On va attribuer à chaque élément de cet ensemble un code aléatoire dans $\{0,1\}^N$. Par exemple, si on a l'ensemble de 4 lettres 'a', 'b', 'c', 'd' (donc $2^M=4$ ou $M=2$) on pourra obtenir pour N=6


Continue reading

TP8-ThInfo-Correction

Posted on Mon 30 March 2020 in posts • Tagged with python, information theory, probabilité, covid

Modélisation d'épidémie

nous allons explorer ici, quelques façons de modéliser les épidémies, et tenter de comprendre quelqu'uns des mécanismes fondamentaux de ces modèles.

Modélisation complètement homogène

une façon classique et simpliste de modéliser une épidémie est de la façon suivante. On va considérer deux types de populations : les personnes saines (S), et les personnes infectées (I). On cherche à comprendre l'évolution de ces deux quantités sous la dynamique suivante :


Continue reading

TP2-ThInfo-Correction

Posted on Fri 31 January 2020 in posts • Tagged with python, information theory, bayes, inference

Estimation de la moyenne, erreur et variance/covariance

Le but de ce TP est d'un part d'observer dans des exemples simples les estimations de la valeur moyenne (lorsque l'on connnaît la vérité terrain) et de voir comment mesurer l'erreur sur celle-ci. Dans un second temps, on regardera (toujours sur des cas contrôlés) la signification de la covariance et une façon de réduite naïvement la dimension des données.


Continue reading

TP-ComDec

Posted on Thu 23 January 2020 in posts • Tagged with python, machine learning, graph partitionning, community detection, statistical physics

TP Network and Community Detection

the goal here is to implement different methods for partitionning a graph into many clusters. We will first focus on the graph Laplacian, and then on implementing Belief Propagation.

Spectral Clustering

The first part is to construct a fonction generating random graph with blocks (stochastic block model) in the simplest manner. Then we will look at some properties using the graph spectrum.


Continue reading