Les réseaux bayésiens sont le résultat d’une convergence entre ces deux disciplines et constituent aujourd’hui l’un des formalismes les plus complets et les plus cohérents pour l’acquisition, la représentation et l’utilisation de connaissances par des ordinateurs. Encore du domaine de la recherche au début des années 1990, cette technologie connaît de plus en plus d’applications, depuis le contrôle de véhicules autonomes à la modélisation des risques opérationnels, en passant par le data mining ou la localisation des gènes.
Les réseaux bayésiens, qui doivent leur nom aux travaux de Thomas Bayes au XVIIIe siècle sur la théorie des probabilités, sont le résultat de recherches effectuées dans les années 1980, dues à J. Pearl à UCLA et à une équipe de recherche danoise à l’université de Aalborg.
L’objectif initial de ces travaux était d’intégrer la notion d’incertitude dans les systèmes experts. Les chercheurs se sont rapidement aperçus que la construction d’un système expert nécessitait presque toujours la prise en compte de l’incertitude dans le raisonnement.
Modèles de connaissances pour l’aide à la décision, le diagnostic ou le contrôle de systèmes complexes
Technique mathématique combinant statistiques et intelligence artificielle, les réseaux bayésiens permettent d’analyser de grandes quantités 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, etc.
Les réseaux bayésiens sont utilisés dans de nombreux domaines : santé et environnement (localisation de gènes, diagnostic, gestion des ressources naturelles), industrie et transports (contrôle d’automates et de véhicules), informatique et réseaux (agents intelligents), marketing (data mining, gestion de la relation client), management (aide à la décision, analyse financière, gestion des risques), etc.
Fondements théoriques, méthodologie de mise en oeuvre, études de cas et panorama des outils
Après une première partie de présentation “intuitive” des réseaux bayésiens accompagnée d’exercices, la deuxième partie du livre en expose les fondements théoriques, avec une étude détaillée des algorithmes les plus importants. Résolument pratique, la troisième partie de l’ouvrage propose une méthodologie de mise en oeuvre, un panorama des domaines d’application, six études de cas détaillées, ainsi qu’une présentation des principaux logiciels de modélisation de réseaux bayésiens (Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira).
À qui s’adresse l’ouvrage ?
- Aux ingénieurs, informaticiens, industriels, biologistes, économistes confrontés à des problèmes d’analyse de données, d’aide à la décision, de gestion des connaissances, de diagnostic ou de contrôle de systèmes.
- Aux étudiants en mathématiques appliquées, algorithmique, économie, recherche opérationnelle, gestion de production, automatique, etc.
Sommaire
- Introduction aux réseaux bayésiens. Approche intuitive
- Introduction aux algorithmes : inférence, apprentissage…
- Exercices corrigés
- Cadre théorique et présentation détaillée des algorithmes
- Modèles
- Propagations
- Apprentissage
- Méthodologie de mise en oeuvre et études de cas
-
- Mise en oeuvre des réseaux bayésiens
- Panorama des applications
- Étude de cas n°1 : gestion des risques (EDF)
- Étude de cas n°2 : risques bancaires et mise en oeuvre des accords de Baie
- Étude de cas n°3 : modélisation du réseau électrique de la région PACA (EDF)
- Étude de cas n°4 : application de scoring pour la vente de crédit en ligne
- Étude de cas n°5 : gestion de ressources naturelles
- Étude de cas n°6 : diagnostic médical.
-
- Annexes. Théorie des graphes
- Rappels de probabilités
- Outils logiciels : Bayes Net Toolbox, BayesiaLab, Hugin, Netica et Elvira