L’inférence bayésienne est utilisée dans de nombreux domaines scientifiques pour faire de l'estimation de paramètres ou de modèles. Dans de nombreux modèles complexes, l’expression explicite de la vraisemblance est indisponible ou trop coûteuse à évaluer, ce qui limite l’application des méthodes bayésiennes classiques.
Cet atelier propose une introduction aux méthodes d’Approximate Bayesian Computation (ABC), qui permettent de réaliser une inférence bayésienne lorsque seule la simulation du modèle est accessible. Après un rappel des principes fondamentaux de l’inférence bayésienne, nous présenterons les idées à la base de l’approche ABC ainsi que les méthodes "classiques", afin d’en comprendre les mécanismes, les hypothèses et les limitations.
Nous aborderons ensuite plusieurs extensions permettant d’améliorer l’efficacité ou la précision de l’inférence dans des contextes particuliers. L’objectif n’est pas de fournir un panorama exhaustif des nombreuses variantes existantes, mais de mettre en évidence les principes méthodologiques communs qui sous-tendent ces approches.
Enfin, l’atelier se conclura par une ouverture vers les développements récents type SBI (Simulation-Based Inference) qui utilisent de l’apprentissage automatique.
À travers des exemples simples et notebooks, les participants auront l’occasion de comprendre les fondements de l’inférence bayésienne sans vraisemblance, d’identifier les situations dans lesquelles les méthodes ABC sont pertinentes.