Rseaux Bayesiens : Intro

1
Réseaux Bayesiens Intro

• Mariage entre la théorie des graphes et celle des
  probabilités

2
Plan

• Refs
• Réseaux Bayesiens de Naïm et al.
• http//www.cs.ubc.ca/murphyk/Bayes/bayes.html
• Ce que ça permet de représenter
• A quoi ça sert ?
• Comment on apprend ?
• Avantages/inconvenients
• Ce qu'il faut retenir

3
Ce que les Rbs permettent de représenter

• Variables aléatoires (discretes ou continues)
• Relations de dépendances conditionnelles entre
  elles
• Probabilité jointe sous forme réduite

4
Ce que les Rbs permettent de représenter
5
A quoi ça sert ?

• Systèmes de diagnostics (pannes...)
• Classification (meilleur que C4.5)
• Sur-systèmes (pour optimiser les paramètres
  d'apprentissage)
• Chaînes de Markov Réseaux bayesiens dynamiques

6
Comment on apprend ?

• Les probabilités (structure connue)
• Expert (bof)
• Maximum de vraisemblance
• Si variables cachées EM
• La structure
• Expert (pas si mal)
• Test d'indépendances (conditionnelles ou non)
• Score sur la structure

7
Avantages/inconvénients

• Points positifs
• Acquisition des connaissances (Fusion de
  données,expert)
• Représentation des connaissances (! boîte noire)
• Utilisation des connaissances (on peut récupérer
  les probas de n'importe quelle variable, sachant
  n'importe quel groupe d'autres)
• Points négatifs
• Apprentissage par encore top (surtout structures)
• Lisibilité lt arbres de décision par ex
• Complexe (à utiliser et en temps CPU)

8
Ce qu'il faut retenir

• Graphe probas
• Représentation explicite
• Inférence efficace
• Apprentissage de structure bof
• Beaucoup d'applications

9
Un autre exemple