Date : Vendredi 25 avril 2025
Heure : 8h30–17h00
Lieu : Hybride (en personne et sur Zoom) ; Université du Manitoba, campus de Fort Garry, bâtiment Armes, salle 200
Cet atelier d’une journée sur le « Processing and Forecasting with Epidemic Surveillance Data », animé par Daniel J. McDonald, professeur de statistique à l’Université de la Colombie-Britannique, est le troisième de la série d’ateliers sur la science des données de l’INCASS Prairies. Nous vous invitons à nous rejoindre en personne ou en ligne.
Le professeur McDonald résume sa présentation comme suit :
(En anglais) “In this workshop, I will demonstrate how to use R to load, process, inspect, and forecast aggregate epi surveillance data. I will be presenting a few case studies to motivate the entire pipeline from signal discovery to the production of nowcasts and forecasts. The focus will be on aggregate signals (not line list data), such as the counts of new hospitalizations per day per location. I will highlight three software packages our group is developing to aid in these tasks: epidat(r/py) for data acquisition, epiprocess for signal processing and exploration, and epipredict for producing forecasts. The sessions will include interactive worksheets and labs for hands-on practice. By the end, attendees will be equipped to produce forecasts for submission to the Canadian Respiratory ForecastHub.”
INSCRIVEZ-VOUS SUR EVENTBRITE (ouverture prochaine)
Daniel J. McDonald est professeur agrégé de statistique à l’Université de la Colombie-Britannique à Vancouver. Avant de se joindre à l’UBC, il a enseigné pendant 8 ans à l’Université de l’Indiana à Bloomington. Daniel a fait ses études de premier cycle à l’Université de l’Indiana, où il a obtenu un baccalauréat en sciences de la musique avec une concentration en interprétation au violoncelle de la Jacobs School of Music et un baccalauréat en économie et en mathématiques. Il a obtenu son doctorat en statistique en 2012 à l’Université Carnegie Mellon, et sa thèse a reçu le prix Umesh Gavasakar Memorial Thesis Award. En 2017, il a reçu le prix d’enseignement des administrateurs de l’Université de l’Indiana. En 2018, il a reçu un prix CAREER de la National Science Foundation.
Les recherches méthodologiques de Daniel portent sur l’estimation et la quantification du risque de prédiction, en particulier pour les données dépendantes complexes. Cela comprend l’application de techniques d’apprentissage statistique aux problèmes de prédiction de séries chronologiques, ainsi que des recherches sur la validation croisée pour l’estimation du risque. Pour promouvoir l’adoption de ces méthodes, il privilégie le développement de logiciels open source en R et dans les langages de niveau inférieur, avec des packages disponibles sur CRAN, GitHub et Bioconductor. Du côté appliqué, les travaux antérieurs se sont concentrés sur des applications en économie, en ingénierie, en neurosciences et en sciences atmosphériques. Les travaux actuels examinent les méthodes de compréhension et de modélisation des données épidémiologiques, en particulier les prévisions, les prévisions immédiates et le développement de logiciels avec le Delphi Research Group de l’Université Carnegie Mellon.
La série d’ateliers sur la science des données de l’INCASS Prairies offre une excellente occasion pour les individus d’améliorer leurs connaissances et leurs compétences dans divers domaines de la science des données. Grâce à une série de sessions hybrides engageantes et interactives (en ligne et en personne), les participants ont la possibilité d’explorer de nouveaux sujets, d’apprendre des techniques de pointe et de se connecter avec des experts dans le domaine.