UE604 - Approches quantitatives et modélisation mathématique en SHS

• Autre lieu Paris
  École Nationale des Chartes, 65 rue Richelieu 75002 Paris
  1er semestre / hebdomadaire, jeudi 11:00-13:00
  du 8 octobre 2020 au 7 janvier 2021

Dernière modification : 27 novembre 2020 09:05

Type d'UE

Séminaires de centre

Centres

Centre d'analyse et de mathématique sociales (CAMS)

Disciplines

Méthodes et techniques des sciences sociales

Page web

http://www.lps.ens.fr/~nadal/Cours/HN/ 

Langues

français

Mots-clés

Dynamiques sociales Économie Humanités numériques Informatique et sciences sociales Intelligence artificielle Mathématiques et sciences sociales Méthodes et techniques des sciences sociales Urbaines (études)

Aires culturelles

-

Cette UE n'est rattachée à aucune formation de master.

Contacts additionnels

-

Informations pratiques

Voir le site web du Cours

Contact : Jean-Pierre Nadal par courriel

Dand le cadre du master humanités numériques, le cours compte pour 4 ECTS

Direction de travaux des étudiants

Sur rendez-vous uniquement

Réception des candidats

Sur rendez-vous uniquement

Pré-requis

Ce cours est organisé pour les étudiants de M2 du master Humanités numériques de PSL. Il est également ouvert à tous, étudiants en master, doctorants, post-doctorants, jeunes et moins jeunes chercheurs, de tous domaines des SHS.

Nous faisons confiance aux interactions entre participants et enseignants pour permettre l'adaptation du niveau du cours à celui des étudiants (priorité donnée aux étudiants validant le cours dans le cadre du master Humanités numériques).

Il est préférable que les étudiants possèdent :

• des connaissances de base en statistiques (cf UE "Méthodes quantitatives et modélisation mathématique" du M1 du master Humanités numériques)
• une pratique minimale de la programmation, sous R ou Python, qui pourra être développée en cours de semestre (cf UE "Algorithmie et programmation pour les humanités")
• Des notions de base en analyse, algèbre linéaire et probabilités aideront, mais toutes les notions utiles seront introduites/expliquées lorsque nécessaire.

Ce cours est organisé pour les étudiants de M2 du master Humanités numériques et Computationnelles (École des Chartes, http://www.chartes.psl.eu/fr/cursus/master-humanitesnumeriques). Il est également ouvert à tous, étudiants en master, doctorants, postdoctorants, jeunes et moins jeunes chercheurs, de tous domaines des SHS.

Ce cours, pluri- et trans-disciplinaire, porte sur une palette de méthodes quantitatives pour l’analyse de données et la modélisation mathématique : analyse multi-variée ; méthodes économétriques ; modélisation multi-agent ; modèles dynamiques (dynamiques de population…), théorie des jeux…

Les notions et techniques sont systématiquement illustrées sur des cas concrets d’intérêt en SHS. Le cours demande une forte implication des étudiants : mise en œuvre des méthodes sur des données réelles, lecture critique d’articles. La validation se fait sur un travail personnel s’appuyant sur un article scientifique ou sur leur propre projet s’il implique l’analyse et manipulation de données.

Publications

• Avec Laurent Bonnasse-Gahot, « Categorical Perception: A Groundwork for Deep Learning », à paraitre dans Neural Computation.
• Avec Kevin Berlemont, « Confidence-controlled Hebbian learning efficiently extracts category membership from stimuli encoded in view of a categorization task », à paraitre dans Neural Computation.
• Avec Imke Meyer, Jean-Denis Moyer, Aliénor Dreyfus, Boutonnet Mathieu, Pierre-Julien Cungi, Arnaud Foucrier, Anatole Harrois, Arthur James, Julie Josse et Tobias Gauss, « Machine Learning Augmented Causal Inference To Estimate The Treatment Effect of Tranexamic Acid In Traumatic Brain Injury », Research Square preprint, 7 juin 2021, doi: 10.21203/rs.3.rs-600886/v1

Cette UE n'est rattachée à aucune formation de master.

Contacts additionnels

-

Informations pratiques

Voir le site web du Cours

Contact : Jean-Pierre Nadal par courriel

Dand le cadre du master humanités numériques, le cours compte pour 4 ECTS

Direction de travaux des étudiants

Sur rendez-vous uniquement

Réception des candidats

Sur rendez-vous uniquement

Pré-requis

Ce cours est organisé pour les étudiants de M2 du master Humanités numériques de PSL. Il est également ouvert à tous, étudiants en master, doctorants, post-doctorants, jeunes et moins jeunes chercheurs, de tous domaines des SHS.

Nous faisons confiance aux interactions entre participants et enseignants pour permettre l'adaptation du niveau du cours à celui des étudiants (priorité donnée aux étudiants validant le cours dans le cadre du master Humanités numériques).

Il est préférable que les étudiants possèdent :

• des connaissances de base en statistiques (cf UE "Méthodes quantitatives et modélisation mathématique" du M1 du master Humanités numériques)
• une pratique minimale de la programmation, sous R ou Python, qui pourra être développée en cours de semestre (cf UE "Algorithmie et programmation pour les humanités")
• Des notions de base en analyse, algèbre linéaire et probabilités aideront, mais toutes les notions utiles seront introduites/expliquées lorsque nécessaire.

• Autre lieu Paris
  École Nationale des Chartes, 65 rue Richelieu 75002 Paris
  1er semestre / hebdomadaire, jeudi 11:00-13:00
  du 8 octobre 2020 au 7 janvier 2021

Ce cours est organisé pour les étudiants de M2 du master Humanités numériques et Computationnelles (École des Chartes, http://www.chartes.psl.eu/fr/cursus/master-humanitesnumeriques). Il est également ouvert à tous, étudiants en master, doctorants, postdoctorants, jeunes et moins jeunes chercheurs, de tous domaines des SHS.

Ce cours, pluri- et trans-disciplinaire, porte sur une palette de méthodes quantitatives pour l’analyse de données et la modélisation mathématique : analyse multi-variée ; méthodes économétriques ; modélisation multi-agent ; modèles dynamiques (dynamiques de population…), théorie des jeux…

Les notions et techniques sont systématiquement illustrées sur des cas concrets d’intérêt en SHS. Le cours demande une forte implication des étudiants : mise en œuvre des méthodes sur des données réelles, lecture critique d’articles. La validation se fait sur un travail personnel s’appuyant sur un article scientifique ou sur leur propre projet s’il implique l’analyse et manipulation de données.

Publications

• Avec Laurent Bonnasse-Gahot, « Categorical Perception: A Groundwork for Deep Learning », à paraitre dans Neural Computation.
• Avec Kevin Berlemont, « Confidence-controlled Hebbian learning efficiently extracts category membership from stimuli encoded in view of a categorization task », à paraitre dans Neural Computation.
• Avec Imke Meyer, Jean-Denis Moyer, Aliénor Dreyfus, Boutonnet Mathieu, Pierre-Julien Cungi, Arnaud Foucrier, Anatole Harrois, Arthur James, Julie Josse et Tobias Gauss, « Machine Learning Augmented Causal Inference To Estimate The Treatment Effect of Tranexamic Acid In Traumatic Brain Injury », Research Square preprint, 7 juin 2021, doi: 10.21203/rs.3.rs-600886/v1