Évènements

General Bayesian Networks (GBNs) extend Bayesian networks to the modeling of continuous links in the data.
I will demonstrate the implementation of the GBNs in the context of risk monitoring for Legionella infection from the use of reclaimed wastewater to irrigate agricultural plots.
I will also discuss the use of these networks to evaluate hypothetical scenarios of how failures of the system propagate in the model.

La paramétrisation modulaire dans le cas des corps de fonctions est remarquablement différente du revêtement modulaire classique sur le corps des nombres complexes et fait appel à de nombreux outils théoriques. \\
La situation est la suivante: soit $q$ une puissance d’un nombre premier, et soit $\mathbb{F}_q$ un corps à $q$ éléments. Soit $E$ une courbe elliptique non-isotriviale définie sur $\mathbb{F}_q(T)$ par une équation de Weierstrass de la forme
$$E\colon y^2+a_1xy+a_3y=x^3+a_2x^2+a_4x+a_6, \quad a_i \in \mathbb{F}_q[T],$$
de mauvaise réduction multiplicative en la place $\infty=1/T$.
Alors la paramétrisation modulaire est une application rationnelle $\phi \colon \overline{M}_\Gamma \rightarrow E$, où $\overline{M}_\Gamma$ est la courbe modulaire de Drinfeld. Pour la construction de cette application nous avons besoin d’étudier les arbres de Bruhat-Tits et les fonctions thêta holomorphes.On s’intéressera plus particulièrement au calcul de l’image des pointes de $\overline{M}_\Gamma$ par $\phi$. Les résultats seront illustrés à travers quelques exemples.

Suite de la construction d’un groupoide de Lie a partir d’une algebroide, selon Crainic et Fernandes.