Détection de signaux
✤ Comprendre le principe de détection d'un signal par filtrage adapté -- avantages et limites
✤ Appliquer la technique du filtrage adapté en utilisant des outils python (
numpy,
scipy,
pycbc)
✤ Évaluer la qualité d’une détection par filtrage adapté -- impact des propriétés du bruit (densité spectrale de puissance)
Ajustement de modèles✤ Comprendre les méthodes d’ajustement de modèle par inférence bayésienne
✤ Appliquer la technique Monte-Carlo par chaînes de Markov (MCMC) pour ajuster un modèle à des données avec la librairie python
emcee
✤ Analyser la distribution postérieure issue d’une analyse MCMC et évaluer la convergence des chaînes de Markov
Classification d’objets✤ Comprendre le principe de fonctionnement de classificateurs classiques -- arbre de décision / réseau de neurones
✤ Appliquer une classification par réseau de neurones avec des outils python simples (
numpy) puis avec des librairies dédiées (
keras)
✤ Évaluer la qualité d’une classification -- fonction de perte, exactitude, sur-entraînement
