Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Concept
Thomas Bayes
Résumé
Thomas Bayes ( , né env. en 1702 à Londres - mort le à Tunbridge Wells, dans le Kent) est un mathématicien britannique et pasteur de l'Église presbytérienne, connu pour avoir formulé le théorème de Bayes.
Thomas Bayes est issu d'une famille de protestants, qui étaient couteliers. Il reçoit une éducation privée et en 1719, il part pour l'université d’Édimbourg, afin d'étudier la théologie. À la fin des années 1720, il est nommé pasteur à Tunbridge Wells, près de Londres. En 1742, Il devient membre de la Royal Society, par contre, il ne publie aucun article mathématique.
Il décide de mettre fin à ses fonctions religieuses en 1752.
Il décède le 7 à Tunbridge Wells. Sa dépouille repose dans le cimetière de Bunhill Fields à Londres.
Théorème de Bayes
Ses découvertes en probabilités ont été résumées dans son Essai sur la manière de résoudre un problème dans la doctrine des risques (Essay Towards Solving a Problem in the Doctrine of Chances - 1763) publié à titre posthume dans les comptes-rendus de l’Académie royale de Londres (The Philosophical Transactions of the Royal Society).
On lui doit en particulier une loi importante des probabilités, le théorème de Bayes (posthume, 1763), qui est la fondation d'un pan important de la statistique moderne, appelée statistique bayésienne. Cette dernière est souvent mise en opposition à la statistique dite "fréquentiste". Une des principales différences entre les deux est la façon dont l'interprétation de la probabilité est définie. En découle également une façon différente de pratiquer l'inférence statistique, nommée inférence bayésienne.
La statistique Bayésienne connaît un fort regain d'intérêt depuis la démocratisation des ressources informatiques. En effet, de nombreuses approches de modélisation Bayésienne reposent sur la méthode de Monte-Carlo par chaînes de Markov qui est généralement exigeante en termes de temps de calcul.
Le théorème est également très utilisé en classement automatique et en deep learning. Un exemple parmi d'autres est la lutte contre le spam, par la méthode dite d'inférence bayésienne.
Source officielle
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.