2396 shaares
À lire.
Tiens? une réponse de Christian Robert à l'article de Subhash Lele critiquant l'utilisation des priors non-informatif. Bon. Faudra vraiment que je lise l'article et la réponse, le débat a l'air intéressant! La conclusion de Christian Robert:
I find it rather surprising that a paper can be dedicated to the comparison of two arbitrary prior distributions on two fairly simplistic models towards the global conclusion that “non-informative priors neither ‘let the data speak’ nor do they correspond (even roughly) to likelihood analysis.”
I find it rather surprising that a paper can be dedicated to the comparison of two arbitrary prior distributions on two fairly simplistic models towards the global conclusion that “non-informative priors neither ‘let the data speak’ nor do they correspond (even roughly) to likelihood analysis.”
Marrant... Tout est vrai!
(via sebsauvage)
(via sebsauvage)
Via Mathieu. Ça à l'air bien intéressant!
L'Histoire. Splendide
bien pratique!
via Mathieu
via Mathieu
Un meilleur flowchart pour diagnostiquer des pbs sur un PC.
Bon à savoir.
via Mathieu. Écœurant, mais tellement prévisible...
Un article intéressant du paternel.
diverses ressources maths intéressantes. Je stocke ici les titres des docs stockés chez John D. Cook.
Probability and statistics:
How to test a random number generator
Predictive probabilities for normal outcomes
One-arm binary predictive probability
Relating two definitions of expectation
Illustrating the error in the delta method
Relating the error function erf and Φ
Inverse gamma distribution
Negative binomial distribution
Upper and lower bounds for the normal distribution function
Canonical example of Bayes’ theorem in detail
Functions of regular variation
Student-t as a mixture of normals
Other math:
Chebyshev polynomials
Richard Stanley’s twelvefold way (combinatorics)
Hypergeometric functions
Outline of Laplace transforms
Navier-Stokes equations
Picking the step size for numerical ODEs
Orthogonal polynomials
Multi-index notation
The pqr theorem for seminorms
Probability and statistics:
How to test a random number generator
Predictive probabilities for normal outcomes
One-arm binary predictive probability
Relating two definitions of expectation
Illustrating the error in the delta method
Relating the error function erf and Φ
Inverse gamma distribution
Negative binomial distribution
Upper and lower bounds for the normal distribution function
Canonical example of Bayes’ theorem in detail
Functions of regular variation
Student-t as a mixture of normals
Other math:
Chebyshev polynomials
Richard Stanley’s twelvefold way (combinatorics)
Hypergeometric functions
Outline of Laplace transforms
Navier-Stokes equations
Picking the step size for numerical ODEs
Orthogonal polynomials
Multi-index notation
The pqr theorem for seminorms
pas mal de refs intéressantes
Bon à savoir: pour vider le swap sous ubuntu:
sudo swapoff -a
sudo swapon -a
sudo swapoff -a
sudo swapon -a
Tiens, c'est intéressant. Je n'ai lu que le résumé, mais ils développent un algorithme d'optimisation combinatoire qui montre qu'il est préférable d'embaucher un petit nombre de gens très compétents pour collecter la donnée, plutôt qu'un grand nombre de gens moyens. Ça a des implications rigolottes.
Gros abruti que je suis, je viens de comprendre comment contrôler la résolution d'un png sous R. IL FAUT CHANGER LES UNITÉS PAR DÉFAUT dans la fonction png.
Exemple, pour avoir un graphe en résolution 300 ppi:
dev.copy(png, filename="Datasets3.png", height=3, width=7, units="in", res=300)
On définit la hauteur et largeur en pouces (ou cm, c'est selon les recommandations de la revue), mais SURTOUT faut pas laisser pixels, sinon, le résultat est épouvantable (ça va modifier l'apparence du graphe).
Putain, ça fait 15 ans que je fais du R et je comprends ça que maintenant...
À pleurer...
Exemple, pour avoir un graphe en résolution 300 ppi:
dev.copy(png, filename="Datasets3.png", height=3, width=7, units="in", res=300)
On définit la hauteur et largeur en pouces (ou cm, c'est selon les recommandations de la revue), mais SURTOUT faut pas laisser pixels, sinon, le résultat est épouvantable (ça va modifier l'apparence du graphe).
Putain, ça fait 15 ans que je fais du R et je comprends ça que maintenant...
À pleurer...
Tester la sécurité d'un mot de passe: il calcule en combien de temps un mot de passe peut être cracké.
Une nouvelle charge en bonne et due forme contre le bayésien en écologie.
Ben décidément, ya des publis intéressantes qui sortent aujourd'hui! En résumé, selon les auteurs, 5 éléments clés à développer:
1. Pensée créative au sujet de la donnée: être capable de modifier la forme de la donnée. Ce que j'appellerais des compétences à établir la donnée.
2. Capacité à gérer des données de différentes tailles (concepts de bases de données, et concepts informatiques associés)
3. Compétences dans un langage de programmation stat (R, python, julia)
4. Apprendre à manipuler des gros jeux de données bien merdiques, pour lesquels il n'y a aucun but ou méthode stat spécifique
5. Un éthos concernant la reproductibilité.
L'article tourne autour de R, de markdown, et du package dplyr qui est décrit dans le détail (faut vraiment que je me mette à dplyr).
Pas mal de discussion autour de la notion de data management, et sur l'importance de maîtriser le SQL.
1. Pensée créative au sujet de la donnée: être capable de modifier la forme de la donnée. Ce que j'appellerais des compétences à établir la donnée.
2. Capacité à gérer des données de différentes tailles (concepts de bases de données, et concepts informatiques associés)
3. Compétences dans un langage de programmation stat (R, python, julia)
4. Apprendre à manipuler des gros jeux de données bien merdiques, pour lesquels il n'y a aucun but ou méthode stat spécifique
5. Un éthos concernant la reproductibilité.
L'article tourne autour de R, de markdown, et du package dplyr qui est décrit dans le détail (faut vraiment que je me mette à dplyr).
Pas mal de discussion autour de la notion de data management, et sur l'importance de maîtriser le SQL.
Idem, à récupérer et à lire

