TIPE 2011-2012 Prévisions

Généralités

• Le calcul, l’imprévu : les figures du temps de Kepler à Thom — Ivar Ekeland, Seuil, 1987. Chapitre 2 : le cristal brisé : les calculs impossibles. A propos des calculs de perturbations : « les prédictions ne sont valables qu’en deçà d’une certaine limite de précision… »
• Qu’est-ce que le hasard ? Comment le mathématiser ? — Claude Chrétien et Dominique Gaud, Repères Irem, no 32 juillet 1998 . Le début est historique et philosophique. Les exemples et les analyses des auteurs (pages 92 à 98), la réflexion sur « déterminisme et indéterminisme » (pages 99 à 101) et la « mathématisation du hasard » (à partir de la page 102) sont intéressants.
• Laplace, Turing et la géométrie impossible du »jeu de l’imitation » : aléas, déterminisme et programmes dans le test de Turing — Giuseppe Longo, [2003]
  Cet article est une réflexion - un peu compliquée - sur les capacités de modélisation d’une machine à états discrets (un ordinateur).

Modelisation mathématique et simulation

• La Modélisation — François Tisseyre et Claire Weingarten, video Universciences, 1995
  « Deux mathématiciens, Yves Bamberger et Yvar Ekeland sont appelés à définir tour à tour, les objectifs, la démarche et les applications de la modèlisation mathématique. Tous deux , fascinés par l’harmonie de certaines images de synthèses issues de ces modèles, s’interrogent sur l’aptitude qu’ont les mathématiques à représenter et prédire le réel. »
• Grâce à la simulation, on peut tout prédire — Bruno Cessac ; Interstices, 2009. Cet article explique simplement les limites de la simulation.

• Modèle linéaire , prédiction linéaire
  • Prédiction linéaire : chapitre de cours — Marc-André Delsuc, CNRS-INSERM, cours sur le traitement du signal
  • Modèle linéaire : chapitre de cours — Bernard Ycart, cours « Estimation paramétrique », Université de Paris V

Intelligence artificielle

• Machine learning, réseaux de neurones
  • Réseaux de neurones : méthodologie et applications — G. Dreyfus, J.-M. Martinez, M. Samuelides… [et al.] ; Paris : Eyrolles, DL 2004
  • Ces 3 livres sont choisis pour leur introduction (accessibles sur google preview), la suite est très compliquée :
    • Algorithmic learning in a random world — Vladimir Vovk, Alexander Gammerman, Glenn Shafer ; Springer, 2005
    • The elements of statistical learning : data mining, inference, and prediction — Trevor Hastie, Robert Tibshirani, Jerome Friedman ; Springer, 2009
    • Prediction, learning, and games — Nicolò Cesa-Bianchi, Gábor Lugosi ; Cambridge University Press, 2006
• Systèmes experts
  • Systèmes experts et intelligence artificielle — Laurence Negrello, Cahier Technique Merlin Gerin, n°157, 1991 « Cet article est assez court et facile à lire. Seuls quelques exemples précis demande une attention soutenue. Quoique ancien (1991), il est intéressant dans son ensemble : la première partie est une introduction sur les systèmes experts, la second donne des exemples d’applications industrielles dans une entreprise, la dernière est une discussion sur l’intelligence artificielle, vue dans les années 90, avec des notions simples sur les réseaux de neurones.  »
• Classification
  • Computer systems that learn : classification and prediction methods from statistics, neural nets, machine learning, and expert systems — Sholom M. Weiss, Casimir A. Kulikowski ; M. Kaufmann Publishers, 1991« This book is a practical guide to classification learning systems and their applications. These computer programs learn from sample data and make predictions for new cases, sometimes exceeding the performance of humans. »
  • Classification et prévision des données hétérogènes : application aux trajectoires et Séjours hospitaliers, — Thèse d’ Haytham ELGHAZEL, 2007 « … D’une manière générale, la fouille de données est soit descriptive, soit prédictive : les techniques prédictives (ou explicatives) visent à extrapoler de nouvelles informations à partir des informations observées (c’est le cas du classement et de la prédiction)… « . L’introduction peut être lu rapidement et donne une idée simple de ce que l’on peut chercher à prédire à partir de données hétérogènes dans le cadre d’un parcours hospitalier.
    

   

  • Cours de data mining 3 : modélisation, présentation générale — par Bertrand LIAUDET « Ce cours se présente sous forme de notes rédigées de façon concises et simples. C’est une bonne introduction - sans détail technique - à la fouille de données, des méthodes aux objectifs. « 

Théorie statistique de la décision et de l’estimation

• Séries d’observations irrégulières : modélisation et prévision — Robert Azencott,… Masson, 1984 Collection (Techniques stochastiques)
• Décision et prévision statistiques — Thierry Verdel et aL. cours en ligne de l’ INPL construit sur le cours de statistiques donné à l’Ecole des Mines de Nancy (1ère et 2eme année)
• L’irrégularité, un vilain défaut — Jacques Levy-Vehel, Interstices, 2011. Un article court et simple qui discute sur la dualité du « bruit » (irrégularités).
• Reconnaissance des formes et décision bayesienne — Rolf Ingold, University of Fribourg :
  jeu de transparents clairs d’un niveau de Master. Demande des connaissances de base en probabilités.

Applications

• Environnement : Prévision météorologique, géophysique, …
  • Les bases de la prévision numérique du temps — Jean Coiffier. Paris : Météo-France, 2009. Cours et manuels - Direction de la météorologie, ISSN 0240-8996
  • l’avenir de la prévision d’ensemble — T. N. Palmer, J. Barkmeijer, R. Buizza, E. Klinker et D. Richardson, la Méteorologie no 36, février 2002. Un excellent article sur la prévision d’ensemble en météorologie.
  • La prévision en environnement : un enjeu pour les mathématiques appliquée. — Blayo, Eric ; Vidéothèque Inria, 2007
  • Sonder l’invisible (du séisme au modèle) — Julien Diaz, Roland Martin et Arnaud Langlois ; Videothèque Inria, 2010. Montre comment la modélisation est un étape essentielle dans la prévision.
  • Séismes et tsunamis : peut-on les prévoir ? — débat entre Pascal Bernard, Institut de Physique du Globe de Paris et Hélène Hébert, CEA ; Universcience.tv, video diffusée sur le site d’ Unisciel
  • L’observation des océans par satellite — Pierre Bahurel ; video diffusée sur le site d’Unisciel
  • Comment estimer le changement climatique ? — Serge Planton, Interstices , 2007. À cause de la complexité du système climatique et de ses nombreuses interactions, la modélisation sur ordinateur est l’unique moyen de prévoir son évolution prochaine.
  • Comment intégrer l’économie, l’énergie et le climat ? — Minh Ha Duong et Pierre Matarasso, Interstices, 2006. De la complexité de la modélisation et d’une prédiction intégrées.
  • Mieux prévoir la qualité de l’air — Vivien Mallet et Joanna Jongwane ; podcast Interstices, 2009 : montre bien la complexité du problème et de sa modélisation.
  • Modéliser pour mieux gérer les déchets nucléaires — Jérôme Jaffré et Joanna Jongwane : podcast Interstices, 2008 : la modélisation, une étape essentielle dans la prévision.
  • Des pollutions suivies à la trace — par Jocelyne Erhel et Jean-Raynald de Dreuzy. La Recherche. Les Cahiers de l’Inria, 430 mai 2009.
  • Dynamique des fluides : La turbulence par l’image — Patrick Héas, Dominique Heitz, Etienne Memin. La Recherche, Les Cahiers de l’Inria, 444, septembre 2010
• Modélisation Médicale, Modélisation du vivant
  • Vers une médecine personnalisée — Jean Clairambault ; La Recherche. Les Cahiers de l’Inria, 447 décembre 2010. « La recherche en mathématiques et en biologie mathématique sur le cancer et ses traitements connait depuis dix ans un essor sans précédent. Cet essor est autant dû aux découvertes de biologie fondamentale qu’aux représentations et prédictions des processus tumoraux que permettent les moyens modernes de calcul »
  • Reconnaissance d’arythmies cardiaques — René Quiniou et al. , Interstices, 2006. « L’identification d’arythmies cardiaques est un exemple de diagnostic d’un système dynamique. »
  • des espèces en nombre — Sandrine Charles et Hubert Charles, Interstices, 2009. Un article simple et intéressant, qui montre bien l’importance de la modélisation pour une prédiction de qualité.
  • Calcul numérique de la croissance d’une tumeur — Rencontres Inria - Industrie « Les industries du numérique pour la santé », Bordeaux, 2010 - Showroom des démos, Inria, équipe MC2
• Robotique et Automatique : la route automatisée, …
  • Fusion de capteur et détection de comportement pour l’assistance à la conduite et le calcul du risque — Rencontres Inria-Industries « Les sciences numériques au service de la ville durable », Jouy-en-Josas, 2010 ; Showroom des démos, Inria, équipe E-MOTION.
  • ArosDyn : Analyse robuste de scène dynamiques pour l’assistance à la conduite automobile — Rencontres Inria-Industries « Les sciences numériques au service de la ville durable », Jouy-en-Josas, 2010 ; Showroom des démos, Inria, équipe E-MOTION.
  • Les mathématiques appliquées à la gestion du trafic routier, Interstices — Paola Goatin et Joanna Jongwane, Interstices, 2011
  • de l’automate à l’humanoïde & Un robot très curieux — Bernard Espiau, Pierre-Yves Oudeyer. La Recherche, Les Cahiers de l’Inria, 424, novembre 2008
  • Vers des véhicules en pilotage automatique ? — entretien avec Michel Parent par Dominique Chouchan ; La Recherche. Les Cahiers de l’Inria, 441 mai 2010.
• Mathématiques financières
  • Des modèles de plus en plus complexes & Forces et faiblesses des mathématiques financières — Agnès Sulem ; Éric Briys ; La Recherche. Les Cahiers de l’Inria, 429 avril 2009
  • Marchés financiers artificiels, Interstices — Olivier Brandouy et Philippe Mathieu ; Interstices, 2006. Article simple qui explique comment on cherche à simuler les marchés financiers pour améliorer les modèles et implicitement les prévisions.