Ce cours est le deuxième d'une séquence de deux cours introduisant les principes fondamentaux de la statistique bayésienne. Il s'appuie sur le cours Statistiques bayésiennes : Du concept à l'analyse des données, qui introduit les méthodes bayésiennes par l'utilisation de modèles conjugués simples. Les données du monde réel nécessitent souvent des modèles plus sophistiqués pour parvenir à des conclusions réalistes. Ce cours vise à élargir notre "boîte à outils bayésienne" avec des modèles plus généraux et des techniques de calcul pour les adapter. En particulier, nous introduirons les méthodes de Monte Carlo par chaîne de Markov (MCMC), qui permettent d'échantillonner des distributions a posteriori qui n'ont pas de solution analytique. Nous utiliserons les logiciels libres et gratuits R (une certaine expérience est supposée, par exemple, avoir suivi le cours précédent sur R) et JAGS (aucune expérience n'est requise). Nous apprendrons à construire, ajuster, évaluer et comparer des modèles statistiques bayésiens pour répondre à des questions scientifiques impliquant des données continues, binaires et de comptage. Ce cours combine des vidéos, des démonstrations sur ordinateur, des lectures, des exercices et des forums de discussion pour créer une expérience d'apprentissage active. Les cours magistraux fournissent quelques développements mathématiques de base, des explications sur le processus de modélisation statistique et quelques techniques de modélisation de base couramment utilisées par les statisticiens. Les démonstrations sur ordinateur fournissent des exemples concrets et pratiques. A l'issue de ce cours, vous aurez accès à une large gamme d'outils analytiques bayésiens, personnalisables en fonction de vos données.