Lorsque les pertes individuelles importantes sont rares, la queue empirique de la distribution des pertes devient instable et souvent sous-estimée. Cet atelier propose une étude de cas appliquée et interactive axée sur l’hétérogénéité et les événements rares. Les participants travailleront avec des données pour explorer divers choix de modélisation, évaluer les risques de queue et comparer les approches lorsque les informations sont limitées. Par équipe, ils expérimenteront toute une gamme de techniques de modélisation, telles que les familles de gravité alternatives, l’inclusion de covariables, les méthodes de régularisation, les extensions de valeurs extrêmes et des stratégies telles que le rééchantillonnage par opposition à la modélisation paramétrique de la queue. Ils examineront également des critères d’évaluation équitables dans des contextes de petits échantillons. Après une brève présentation des principaux défis du secteur (tarification, mesure des risques et gestion de portefeuille), les participants travailleront en équipes sur un ensemble de données synthétiques calibrées pour des scénarios réalistes de pertes importantes.

L’essor de l’intelligence artificielle (IA), principalement grâce aux grands modèles de langage (LLM), a déjà profondément transformé l’enseignement, l’apprentissage, l’analyse et la recherche universitaire. Dans cet atelier, nous aborderons, à travers des tutoriels pratiques, comment les LLM peuvent être (et sont) utilisés tout au long de ce processus, en mettant l’accent sur le flux de travail de la recherche. Cela inclura des sujets allant de l’utilisation des LLM pour la recherche générale, le brainstorming/la discussion et l’édition/le feedback sur l’écriture à des sujets plus avancés tels que le « vibe coding » (c’est-à-dire la programmation via langage naturel) et la création de systèmes entièrement agentiques pour la recherche et l’analyse. L’objectif sera de fournir aux participants des conseils pratiques et concrets afin qu’ils puissent mettre ces outils en œuvre dans les flux de travail scientifiques.

Cet atelier sera organisé conjointement avec l’atelier sur l’éducation en statistique « IA et LLM - Perspective pédagogique » le matin afin de fournir une introduction commune et fondamentale au travail avec les LLM, avant que les groupes ne se séparent l’après-midi pour couvrir des sujets indépendants. Les deux ateliers se tiendront dans la salle MDCL-1009 dans la matinée.

Ce tutoriel d’une journée présentera la théorie mathématique de la convergence de chaînes de Markov, et notamment des concepts tels que les marches aléatoires, la récurrence et la transience, les distributions stationnaires, la réversibilité, etc. Nous décrirons le mouvement brownien et les diffusions comme des limites continues de chaînes de Markov discrètes. Nous appliquerons ensuite ces connaissances aux algorithmes de Monte Carlo à chaînes de Markov (MCMC), en expliquant leur convergence et leur efficacité d’un point de vue théorique.  Nous expliquerons comment les algorithmes MCMC peuvent converger vers des diffusions et comment utiliser ce fait pour optimiser leur performance. En fonction du temps disponible, nous aborderons également la manière d’optimiser les algorithmes de tempérage et/ou de prouver la convergence des algorithmes MCMC adaptatifs. Aucune connaissance préalable n’est requise au-delà de notions de base de la théorie des probabilités et du raisonnement mathématique, et peut-être une certaine familiarité avec les MCMC.

L’IA générative est à l’origine de changements dans toutes les matières enseignées, et les cours de statistique ne font pas exception. Cet atelier interactif invite les participants à examiner de manière critique le potentiel et les écueils de l’intégration de l’IA dans leur pratique pédagogique. L’accent sera mis sur l’utilisation pratique, les considérations éthiques et la confidentialité des données. Les sessions incluront des discussions et présenteront des cas d’utilisation actuels pour motiver les activités pratiques au cours desquelles les participants utiliseront des outils d’IA pour créer des ressources pédagogiques et apprendront à interagir de manière programmatique avec des modèles d’IA générative. Nous utiliserons des grands modèles de langage (LLM) en nuagique et hébergés localement. Nous vous fournirons des modèles de code, des instructions et des liens vers des ressources ; votre exploration de l’IA ne s’arrête pas nécessairement à la fin de l’atelier. En fait, elle ne fait peut-être que commencer !

Cet atelier sera organisé conjointement avec l’atelier du Groupe de Science des données et analytique « IA et LLM - Perspective de recherche » le matin afin de fournir une introduction commune et fondamentale au travail avec les LLM, avant que les groupes ne se séparent l’après-midi pour couvrir des sujets indépendants. Les deux ateliers se tiendront dans la salle MDCL-1009 dans la matinée.

Les méthodes d’apprentissage automatique (AA) sont de plus en plus utilisées dans les offices nationaux de statistique et les organismes chargés d’enquêtes, principalement pour produire des prédictions à différentes étapes d’une enquête. Ce cours explique comment utiliser ces prédictions pour une inférence valide sur population finie. Nous abordons l’estimation assistée par modèle et l’imputation pour la non-réponse partielle; pour la non-réponse totale, nous examinons ce que l’AA  change pour la pondération par l’inverse de la probabilité, ce qui est actuellement justifié, ce qui ne l’est pas, et pourquoi. Les thèmes incluent les estimateurs standards et doublement robustes, l’estimation de la variance avec cross-fitting, et des intervalles de confiance asymptotiquement valides. Des aspects pratiques, tels que la sélection des hyperparamètres et la troncature des poids, seront également discutés. À l’issue du cours, les participants disposeront d’un ensemble d’outils à jour pour une inférence valide lorsque des prédictions issues de l’AA sont utilisées dans les enquêtes, ainsi que d’une vision claire des principaux problèmes ouverts liés à la non-réponse totale.

Les ensembles de données synthétiques sont de plus en plus utilisés dans le domaine de la santé afin de faciliter le partage de données tout en protégeant la confidentialité des patients. Bien qu’ils ressemblent souvent grandement aux données originales, leur analyse exige de la prudence : les procédures inférentielles standards ne s’appliquent pas toujours directement et ignorer la variabilité introduite lors de la synthèse peut mener à des conclusions trompeuses. Cet atelier d’une demi-journée propose une introduction pratique à l’analyse de données synthétiques à l’aide de méthodologies appropriées, telles que l’utilisation de règles de combinaison, et inclura des exemples pratiques avec R. Des exemples de jeux de données synthétiques existants dans le domaine de la biostatistique seront également présentés.