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
Correction
Continue reading
TP5-ThInfo-Correction
Posted on Mon 30 March 2020 in posts • Tagged with python, information theory, bayes, inference
TP 5 : Compression¶
Let but de ce TP est de constater qu'en enlevant les séquences les moins probable, on peut se permettre une petite erreur pour compresser le signal
Question
Correction
Continue reading
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
TP7-ThInfo-Correction
Posted on Mon 30 March 2020 in posts • Tagged with python, information theory, probabilité, covid
Visulalisation de donées et Corona-virus¶
puisque le contexte est propice à l'analyse de données, voyons ce que l'on peut observer et conclure sur les données sur coronavirus.
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
TP1-ThInfo-Correction
Posted on Fri 31 January 2020 in posts • Tagged with python, information theory, bayes, inference
TP 1¶
Le TP est en deux parties, une première partie sur papier et une seconde où on s'intéressera aux variables aléatoires et à leur représentation en fréquence.
Question
Correction
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
TP3-ThInfo-Correction
Posted on Fri 31 January 2020 in posts • Tagged with python, information theory, bayes, inference
TP 3¶
Le but du TP est de d'intéresser dans un premier temps aux distributions de variables jointes, et ensuite de voir des exemples du théorème de Bayes et des probabilités conditionnelles
Question
Correction
Continue reading
TP5-Correction
Posted on Thu 30 January 2020 in posts • Tagged with python, proba, stat
TP5 : inférence Bayésienne¶
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