Visuel de Réseaux bayésiens
visibilityFeuilleter

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.
  • 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

Patrick Naïm

Patrick Naïm est ingénieur de l'École centrale de Paris et fondateur d'Elseware, société spécialisée dans la modélisation quantitative et le data mining appliqués aux domaines de la finance, des télécommunications et du commerce électronique. Il est l'auteur de plusieurs livres sur les technologies du data mining et leurs applications.

Visuel de Patrick Naïm

Pierre-Henri Wuillemin

Visuel de Pierre-Henri Wuillemin

Philippe Leray

Visuel de Philippe Leray

Olivier Pourret

Visuel de Olivier Pourret

Anna Becker

Visuel de Anna Becker