[ИАД, осень 2025] Байесовское мультимоделирование. Лекция 1

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée pour un public ayant déjà des bases en probabilités et statistiques. Le cours fournit des rappels solides et des intuitions utiles, comme l’interprétation de la vraisemblance en termes de divergence KL, ou l’effet de la température dans la distribution de Dirichlet. L’argumentation est globalement rigoureuse, avec des démonstrations esquissées et des exemples concrets. Cependant, certaines explications sont parfois confuses, notamment sur les conditions de symétrie et le troisième moment, où l’enseignant admet son incertitude. La structure est claire, mais le rythme est inégal.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est correcte : les concepts sont présentés avec des définitions formelles et des propriétés énoncées. Les sources mentionnées sont rares : on note la référence au livre de Huff (1954) et à Wikipédia pour l’illustration du kurtosis. La qualité des sources est acceptable, mais l’absence de références bibliographiques précises limite la vérifiabilité. L’adéquation entre le titre et le contenu est partielle : le titre annonce le multimodélisme bayésien, mais cette première leçon se concentre sur des prérequis probabilistes, sans entrer dans le vif du sujet. Cette inadéquation est mineure et n’affecte que légèrement la note globale.

Le titre annonce une première leçon sur le multimodélisme bayésien ; le contenu pose les bases probabilistes nécessaires, mais n'aborde pas encore le cœur du sujet.

7/10

Cours universitaire structuré, rappels rigoureux de probabilités et statistiques, avec exemples concrets. Quelques hésitations et digressions, mais contenu globalement fiable.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:00Introduction du cours et rappels sur la fonction de score et le maximum de vraisemblance.
• 05:00Propriétés de l'estimateur du maximum de vraisemblance : consistance, normalité asymptotique, efficacité, invariance.
• 10:00Lien entre maximisation de la vraisemblance et minimisation de la divergence de Kullback-Leibler.
• 15:00Mesures de tendance centrale : moyenne, médiane, mode, avec l'exemple des salaires de Huff.
• 20:00Moments d'une distribution : variance, asymétrie, kurtosis, et leur interprétation.
• 25:00Estimation de densité par noyau et par histogramme.
• 30:00Présentation des distributions de Bernoulli et bêta, et de leur relation de conjugaison.
• 35:00Distribution multinomiale et softmax, puis généralisation à la distribution de Dirichlet.
• 40:00Effet de la température sur la distribution de Dirichlet, et interprétation en termes de concentration.
• 45:00Distribution normale : propriétés, rôle central, et distribution de Student comme alternative à queues lourdes.

• How to Lie with Statistics (1954) — Cité pour illustrer la différence entre moyenne, médiane et mode sur l'exemple des salaires.
• Wikipédia (illustration du kurtosis) — Référence pour les exemples de distributions avec différents coefficients de kurtosis.

• Wikipédia - Loi de Dirichlet — Confirme les propriétés de la distribution de Dirichlet et son lien avec la distribution multinomiale.
• Wikipédia - Loi de von Mises — Confirme l'existence et les propriétés de la distribution de von Mises pour les données circulaires.