UE643 - Modélisation en sciences sociales et en sciences du vivant

• 54 bd Raspail
  Salle AS1_08
  54 bd Raspail 75006 Paris
  annuel / bimensuel (2e/4e), jeudi 15:00-17:00
  du 9 décembre 2021 au 24 juin 2022

Dernière modification : 15 mai 2021 13:03

Type d'UE

Séminaires DE/MC

Disciplines

Méthodes et techniques des sciences sociales

Page web

http://cams.ehess.fr/modelisation-en-sciences-sociales-et-en-sciences-du-vivant/ 

Langues

anglais français

Mots-clés

Informatique et sciences sociales Mathématiques et sciences sociales Méthodes et techniques des sciences sociales Méthodes quantitatives

Aires culturelles

-

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

Contacts additionnels

-

Informations pratiques

Voir la page web du séminaire.

Direction de travaux des étudiants

Sur rendez-vous uniquement.

Réception des candidats

Sur rendez-vous uniquement.

Pré-requis

Niveau master 1 dans une discipline à haut contenu formalisé : mathématiques, physique, informatique, économie ou sciences de l'ingénieur.

Le cours, pluri- et trans- disciplinaire, a  porté sur une palette d'approches quantitatives pour l'analyse et la modélisation mathématique de données : analyse multi-variée ; méthodes économétriques ; modélisation multi-agent ; modèles dynamiques (par exemple dynamiques de populations), théorie des jeux... Les notions et techniques sont systématiquement illustrées sur des cas concrets d'intérêt en SHS. Les sujets qui ont été plus particuliers évoqués sont d'une part la ségrégation socio-spatiale (caractérisation multi-échelle de la ségrégation sociale en milieu urbain, et modélisation des dynamiques sous-jacentes), d'autre part l'analyse quantitative de la propagation des émeutes urbaines en 2005 en France, et la modélisation épidémiologique de cette propagation.

Le cours demande une forte implication des étudiants : mise en oeuvre des théories ou méthodes sur des données réelles, lecture critique d'articles.

Publications

Jean-Pierre Nadal

• Avec Laurent Bonnasse-Gahot, « Categorical Perception: A Groundwork for Deep Learning », Neural Computation, 2022, 34 (2), p. 437-475.
• ICUBAM consortium*, corresponding author Julie Josse, « ICU Bed Availability Monitoring and analysis in the Grand Est region of France during the COVID-19 epidemic », Statistique et société, 2022, vol. 10, n°1, HAL preprint hal-02620018, (* Laurent Bonnasse-Gahot, Maxime Dénès, Gabriel Dulac-Arnold, Sertan Girgin, François Husson, Valentin Iovene, Julie Josse, Antoine Kimmoun, François Landes, Jean-Pierre Nadal, Romain Primet, Frederico Quintao, Pierre Guillaume Raverdy, Vincent Rouvreau, Olivier Teboul, et Roman Yurchak - alphabetical order).
• Avec Kevin Berlemont, « Confidence-controlled Hebbian learning efficiently extracts category membership from stimuli encoded in view of a categorization task », Neural Computation, 2022, 34 (1) p. 45-77.
• L. Bonnasse-Gahot et J.-P. Nadal, « Modéliser les émeutes de 2005 : une vague de violence contagieuse », Mission pour les initiatives transverses et interdisciplinaires (MITI, CNRS), CNRS Éditions, sous presse.

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

Contacts additionnels

-

Informations pratiques

Voir la page web du séminaire.

Direction de travaux des étudiants

Sur rendez-vous uniquement.

Réception des candidats

Sur rendez-vous uniquement.

Pré-requis

Niveau master 1 dans une discipline à haut contenu formalisé : mathématiques, physique, informatique, économie ou sciences de l'ingénieur.

• 54 bd Raspail
  Salle AS1_08
  54 bd Raspail 75006 Paris
  annuel / bimensuel (2e/4e), jeudi 15:00-17:00
  du 9 décembre 2021 au 24 juin 2022

Le cours, pluri- et trans- disciplinaire, a  porté sur une palette d'approches quantitatives pour l'analyse et la modélisation mathématique de données : analyse multi-variée ; méthodes économétriques ; modélisation multi-agent ; modèles dynamiques (par exemple dynamiques de populations), théorie des jeux... Les notions et techniques sont systématiquement illustrées sur des cas concrets d'intérêt en SHS. Les sujets qui ont été plus particuliers évoqués sont d'une part la ségrégation socio-spatiale (caractérisation multi-échelle de la ségrégation sociale en milieu urbain, et modélisation des dynamiques sous-jacentes), d'autre part l'analyse quantitative de la propagation des émeutes urbaines en 2005 en France, et la modélisation épidémiologique de cette propagation.

Le cours demande une forte implication des étudiants : mise en oeuvre des théories ou méthodes sur des données réelles, lecture critique d'articles.

Publications

Jean-Pierre Nadal

• Avec Laurent Bonnasse-Gahot, « Categorical Perception: A Groundwork for Deep Learning », Neural Computation, 2022, 34 (2), p. 437-475.
• ICUBAM consortium*, corresponding author Julie Josse, « ICU Bed Availability Monitoring and analysis in the Grand Est region of France during the COVID-19 epidemic », Statistique et société, 2022, vol. 10, n°1, HAL preprint hal-02620018, (* Laurent Bonnasse-Gahot, Maxime Dénès, Gabriel Dulac-Arnold, Sertan Girgin, François Husson, Valentin Iovene, Julie Josse, Antoine Kimmoun, François Landes, Jean-Pierre Nadal, Romain Primet, Frederico Quintao, Pierre Guillaume Raverdy, Vincent Rouvreau, Olivier Teboul, et Roman Yurchak - alphabetical order).
• Avec Kevin Berlemont, « Confidence-controlled Hebbian learning efficiently extracts category membership from stimuli encoded in view of a categorization task », Neural Computation, 2022, 34 (1) p. 45-77.
• L. Bonnasse-Gahot et J.-P. Nadal, « Modéliser les émeutes de 2005 : une vague de violence contagieuse », Mission pour les initiatives transverses et interdisciplinaires (MITI, CNRS), CNRS Éditions, sous presse.