Julie Peyre

PRAG à l'Université Grenoble Alpes

Coordonnées

Equipe CAS3C3
LJK - B�timent IMAG - Bureau 105
Université Grenoble Alpes
700 avenue Centrale
CS 40700
38 058 GRENOBLE CEDEX 9

Tél : (33) (0) 4 57 42 17 74
Julie.Peyre@univ-grenoble-alpes.fr


Enseignement

PRAG à l'UGA (depuis 2012)

  • Cours-TD, TP de méthodes informatiques et techniques de programmation en L1 (INF111 puis INF101 - C puis Python) depuis 2012

  • Cours-TD, TP d'Informatique instrumentale et multimédia en L1 Biologie (ex INF11a, INF11b, INF12a, ex INF112, maintenant INF102) depuis 2012

  • TD, TP de Programmation en L3 Mathématiques et Informatique (ex INF359) de 2012 � 2017

  • TP de Graphes en L3 Mathématiques et Informatique (ex INF367) de 2012 à 2015

  • Cours-TD, TP de Méthodes informatiques et techniques de programmation en L1 GSC (INF120) puis en L1 ST et SPI (INF204) depuis 2012

  • Cours-TD, TP de Syst�me et environnement de programmation : principes d'utilisation en L1 Math-Info (INF123 puis INF203) entre 2013 et 2017

  • TP de Méthodes statistiques pour la biologie (ex STA230) en L2 Biologie et Chimie-Biologie en 2015-2016

  • Cours-TD, TP de Modélisation pour la Simulation et l'Optimisation en L3 Syst�mes d'Information IAE en 2013

  • Quelques enseignements antérieurs (avant 2012)

    Pendant mes 3 années de monitorat à et mes 3 postes ATER à� l'UPMF, mon poste ATER à l'UJF, mon année de PRAG à l'IUT GEA d'Angers et mon année sur support PRAG à l'IUT GEA de Grenoble, j'ai effectué de nombreux enseignements, dont notamment :

  • Cours-TD, TP (sous R) d'analyse de données en IUP Mathématiques Appliquées et Industrielles 2�me année (voir documents) en 2004-2005

  • TP (sous Excel) de probabilité et statistique en licence Sciences et Technologies (parcours biologie) � Grenoble et � Valence en 2004-2005

  • TD de statistiques descriptives en licence Economie-Gestion 1�re année entre 2001 et 2006

  • TD de probabilité et statistique en licence Economie-Gestion 2�me année et en IUP Ing�nierie Economique 1�re année entre 2002 et 2004

  • TD de mathématiques en licence Economie-Gestion 2�me année entre 2002 et 2004

  • Cours-TD d'alg�bre en IUT STID (Statistique et Traitement Informatique des Donn�es) 1�re année en 2006-2007

  • Cours-TD et TP de statistique descriptive en année spéciale d'IUT STID (Statistique et Traitement Informatique des Données) (voir documents) en 2006-2007
  • Autres enseignements

    J'ai également enseigné un peu en collè, en lycé et en classes préparatoires (ECE).


    Recherche

    Membre de l'équipe de CASYS du Laboratoire Jean Kuntzmann.

  • Publications (pdf)
  • Th�mes de recherche :
  • Analyse de données de biopuces
    Tests d'hypoth�ses multiples
    Estimation semi-paramétrique
    Classification supervisée

  • Package R impl�mentant notamment la méthode GSIM pénalisée présentée dans Local likelyhood regression in generalized linear single-index models with applications to microarray data , S. Lambert-Lacroix et J. Peyre (publié dans : Journal of Computational Statistics and Data Analysis).

  • Ce package a été réalisé en collaboration avec Sophie Lambert-Lacroix, Anne-Laure Boulesteix et Korbinian Strimmer. Il est maintenu par Anne-Laure Boulesteix. Il contient aussi des routines pour des méthodes PLS pour la classification des données de biopuces.

    Télécharger le package sur le site de R : plsgenomics


    Cursus universitaire

  • Juillet 2006 : Agrégation de mathématiques, option probabilités et statistiques
  • 20 Septembre 2005 : th�se de l'Université Joseph Fourier - Grenoble 1
  • Télécharger le fichier pdf.

    Spécialité : Mathématiques Appliquées

    Titre : Analyse statistique des données issues des biopuces � ADN

    Résumé :

    Cette th�se est consacr�e � l'analyse statistique des données issues des biopuces � ADN. Nous nous intéressons ici � trois problématiques liées aux données du transcript�me.
    Dans un premier chapitre, nous étudions le probl�me de la normalisation des données dont l'objectif est d'éliminer les variations parasites entre les échantillons des populations pour ne conserver que les variations expliquées par les phénom�nes biologiques. Nous présentons plusieurs méthodes existantes pour lesquelles nous proposons des améliorations. Pour guider le choix d'une méthode de normalisation, une méthode de simulation de données de biopuces est mise au point.
    Dans un deuxi�me chapitre, nous abordons le probl�me de la détection de g�nes différentiellement exprimés entre deux séries d'expériences. On se ram�ne ici � un probl�me de test d'hypoth�ses multiples. Plusieurs approches sont envisagées : sélection de mod�les et pénalisation, méthode FDR basée sur une décomposition en ondelettes des statistiques de test ou encore seuillage bayésien.
    Dans le dernier chapitre, nous considérons les probl�mes de classification supervisée pour les données de biopuces. Pour remédier au probl�me du fléau de la dimension , nous avons développé une méthode semi-paramétrique de réduction de dimension, basée sur la maximisation d'un crit�re de vraisemblance locale dans les modéles linéaires généralisés en indice simple. L'étape de réduction de dimension est alors suivie d'une étape de régression par polyn�mes locaux pour effectuer la classification supervisée des individus considérés.

    Mots clés : biopuces, test d'hypoth�ses multiples, sélection de variables, mod�les linéaires généralisés, régression semi-paramétrique.

    Jury :
    Serge Dégerine, président
    Florence d'Alché-Buc, rapporteur
    Ir�ne Gijbels, rapporteur
    Badih Ghattas, examinateur
    Sophie Lambert-Lacroix, examinatrice
    Anestis Antoniadis, directeur de th�se
    Marie Dutreix, co-directrice de th�se.

  • Juin 2001 : DEA de mathématiques appliquées, Mention Bien, Université Joseph Fourier - Grenoble 1
  • Juin 2001 : dipl�me d'ingénieur de l'ENSIMAG, Mention Bien, INPG - Grenoble 4
  • Derni�re mise � jour : 31 mai 2016