Objectifs
Technique mathématique combinant techniques statistiques et savoir d’expert, les réseaux bayésiens permettent l’analyse de données pour en extraire des connaissances utiles à la prise de décision, contrôler ou prévoir le comportement d'un système, diagnostiquer les causes d'un phénomène, .... Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé (diagnostic), industrie, informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), banque et finances (analyse financière), management (aide à la décision, gestion du risque), ...
Pré-requis
Pour suivre ce stage dans de bonnes conditions, il est recommandé d'avoir suivi en amont la formation Analyse des données : méthodes exploratoires (ACP, AFC, classification)
Méthode
Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.
Modalités d'évaluation
Un questionnaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes.
Ce même questionnaire soumis en aval de la formation nous permettra d'apprécier votre progression.
Ce même questionnaire soumis en aval de la formation nous permettra d'apprécier votre progression.
Accessibilité
Vous souhaitez suivre notre formation Réseaux Bayésiens et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage
Programme
- Notions basiques de calculs de probabilité
- Le théorème de Bayes
- Notions simples de graphes
- Les Réseaux Bayésiens multinomiaux
- Les Réseaux Bayésiens gaussiens
- Les Réseaux Bayésiens Hybrides
- Probabilités totales
- Probabilités conditionnelles
- Indépendance en probabilité
- Probabilités conjointes
- Probabilités marginales
- Distributions de probabilité
- Le théorème de Bayes
- Principe et utilisations concrètes
- La règle de chaînage et le théorème de bayes généralisé
- Notions simples de graphes
- Graphes, arcs et nœuds
- La structure d’un graphe
- Connexions en série, divergentes, convergentes
- D-séparation
- Les Réseaux Bayésiens multinomiaux
- Introduction avec exemple
- Représentation graphique
- Représentation probabiliste
- Estimation des tables de probabilité
- Apprentissage de la structure du graphe
- Utilisation d’un Réseau Bayésien discret, inférence bayésienne
- Les Réseaux Bayésiens gaussiens
- Introduction avec exemple
- Représentation graphique
- Représentation probabiliste
- Estimation des paramètres
- Apprentissage de la structure du graphe
- Utilisation d’un Réseau Bayésien gaussien, inférence bayésienne
- Les Réseaux Bayésiens Hybrides
- Introduction avec exemple
- Mélange de variables discrètes et continues
- Discrétisation des variables continues
