Conditionnement: - Fusion d`information, dynamique et filtrage

Introduction
Conditionnement et fusion d’information
Dynamiques et représentations markoviennes
Filtrage linéaire des processus gaussiens
Conditionnement:
Fusion d’information, dynamique et filtrage
Manuel Samuelides, Professeur à l’ISAE
[e-mail]
Manuel Samuelides, Professeur à l’ISAE [e-mail]:

Introduction
Conditionnement et fusion d’information
Dynamiques et représentations markoviennes
Filtrage linéaire des processus gaussiens
Plan de l’exposé
Manuel Samuelides, Professeur à l’ISAE [e-mail]:

Introduction
Conditionnement et fusion d’information
Dynamiques et représentations markoviennes
Filtrage linéaire des processus gaussiens
Objectifs de l’exposé
Outline
Manuel Samuelides, Professeur à l’ISAE [e-mail]:

Introduction
Conditionnement et fusion d’information
Dynamiques et représentations markoviennes
Filtrage linéaire des processus gaussiens
Objectifs de l’exposé
Objectifs de l’exposé
Le conditionnement est consubstantiel aux probabilités.
Historiquement, les probabilités se construisent au XVII par multiplication et
symétrie (Pascal) et seulement au XVIII par addition (Bernoulli)
L’étude dynamique des probabilités se développe à la fin du XIX (dynamique
des populations (Galton), finance (Bachelier), analyse de texte (Markov).
La statistique de Bayes assure la fusion d’information hypothèse/mesure,
passé/présent. Sa compréhension est fondamentale
L’étude des chaînes de Markov finies utilise comme outil l’algèbre linéaire et
permet une approche de problèmes complexes (temps d’arrêt)
L’étude des processus gaussiens fournit les bases de la théorie du signal
analogique et de l’automatique (filtrage)
Manuel Samuelides, Professeur à l’ISAE [e-mail]:

Introduction
Conditionnement et fusion d’information
Dynamiques et représentations markoviennes
Filtrage linéaire des processus gaussiens
Conditionnement par une variable discrète
Le cas à densité
Statistique bayésienne
Outline
Manuel Samuelides, Professeur à l’ISAE [e-mail]: