Grâce à des avancées méthodologiques et théoriques récentes, à l’arrivée de données massives, et au développement de schémas numériques de plus en plus puissants, la statistique bayésienne est devenue un outil essentiel pour de nombreux problèmes quantitatifs réels. L’approche bayésienne est bien acceptée et communément utilisée dans des domaines d’application aussi divers que la génétique, la linguistique, l’astrophysique, l’économie, les sciences du climat, etc. Les méthodes bayésiennes permettent une quantification robuste de l’incertitude d’une inférence statistique, en calculant ou en approchant la loi a posteriori des paramètres d’un modèle stochastique. Elles sont particulièrement attrayantes pour des problèmes complexes, dans lesquels la définition d’une loi a priori permet d’ajouter de la structure à des paramètres de grande dimension, soit en utilisant une expertise a priori sur le processus stochastique sous-jacent, soit via des outils génériques comme les processus gaussiens.
  L’objectif de cette école d’automne est de donner une vue d’ensemble des méthodes bayésiennes dans des cadres complexes : techniques de modélisation, avancées computationnelles, garanties théoriques, et implémentation en pratique. Une attention particulière sera accordée à des applications stimulantes afin de développer des collaborations avec des experts d’autres domaines, d’identifier les objectifs pertinents, et d’augmenter l’impact des algorithmes et solutions présentés au cours de la semaine.