BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//wp-events-plugin.com//7.2.3.1//EN
TZID:Europe/Paris
X-WR-TIMEZONE:Europe/Paris
BEGIN:VEVENT
UID:1578@i2m.univ-amu.fr
DTSTART;TZID=Europe/Paris:20170213T140000
DTEND;TZID=Europe/Paris:20170213T150000
DTSTAMP:20170129T130000Z
URL:https://www.i2m.univ-amu.fr/evenements/inference-de-reseau-et-predicti
 on-en-grande-dimension/
SUMMARY: (...): Inférence de réseau et prédiction en grande dimension
DESCRIPTION:: Travail en collaboration avec Mélina Gallopin et Emeline Per
 thame:Les modèles graphiques gaussiens permettent d’inférer et de visu
 aliser les dépendances entre des variables. Ces modèles étant difficile
 s à estimer lorsque la taille de l’échantillon est plus petite que le 
 nombre de variables\, nous proposons une procédure non-asymptotique pour 
 réduire la dimension du problème d’inférence. Nous approchons la matr
 ice de covariance par une matrice diagonale par blocs\, de façon à déco
 mposer le graphe en plusieurs sous-graphes indépendants : dans chaque blo
 c\, on estime les dépendances à l’aide du graphical Lasso. Dans cet ex
 posé\, nous justifierons cette procédure par des résultats théoriques.
  Nous développerons ensuite une méthodologie de prédiction non linéair
 e avec cette structure en blocs\, et nous montrerons les résultats de la 
 méthode pour prédire une variable phénotypique à partir de l'expressio
 n génétique.http://www.math.u-psud.fr/~devijver/
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:STANDARD
DTSTART:20161030T020000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
END:STANDARD
END:VTIMEZONE
END:VCALENDAR