Concepts avancés en mathématiques et informatique appliquées

Slides:



Advertisements
Présentations similaires
Réseaux bayésiens Chap. 14 Sections 1 – 3.
Advertisements

Du discours aux modèles… Une tentative d’articulation
Graphisme par ordinateur
Concepts avancés en mathématiques et informatique appliquées
Comment ça marche ? Les sciences pour répondre aux questions de notre société Santé Alimentation Énergie Habitat Sciences de l'Ingénieur.
Auteur : Patrice LEPISSIER Les probabilités  Notions de base Notions de base  Variable aléatoire Variable aléatoire  La loi Normale La loi Normale.
Chapitre 5. Modèles probabilistes continus Variable aléatoire continue et loi de probabilité continue Loi uniforme Loi exponentielle Loi normale Loi normale.
Chapitre 6. Introduction à l’échantillonnage Les sondages Notions fondamentales Fluctuations d’échantillonnage d’une moyenne Théorème central limite C6-1.
Les rprésentation des signaux dans le cadre décisionnel de Bayes Jorge F. Silva Shrikanth S. Narayanan.
1 METHODE DEMPSTER-SHAFER Présenté: Guy Richard SAMEDY MASTER M2 RECHERCHE INFORMATIQUE UE : Cognition et Connaissance INSA de Lyon ( )
Révision – mathématiques 8
Tableau à double entrée
Analyse, Classification,Indexation des Données ACID
EPREUVES HISTOIRE ET GEOGRAPHIE
Dominique PETRELLA – Frédéric GUINEPAIN - IA-IPR STI Versailles
Université Stendhal - Grenoble
Université Badji Mokhtar Annaba-Algérie- Département d’Informatique
Loi Normale (Laplace-Gauss)
Soutien aux utilisateurs de logiciels
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap5: Les méthodes de résolution exactes.
Chapitre 12 Surveillance des ressources et des performances
HUDELOT Céline, Monique THONNAT Inria Sophia Antipolis Equipe ORION
POL1803: Analyse des techniques quantitatives
Les lois des probabilités
Les plans d’expérience: plans factoriels
plan Introduction Objectif d’un plan de mélange
Exercice 1 On tire 7 fois avec remise dans une urne contenant 1 jeton Noir et 2 jetons Rouges. X est la variable aléatoire donnant le nombre de fois où.
Introduction aux Statistiques Variables aléatoires
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap7: Les méthodes de résolution exactes.
 І/ DEFINITION:  И/ Le diagramme de Pareto:  ш /Les étapes pour construire le graphique:
Réalisation d’une application web sous le thème: «Mon vétérinaire » par : Benzineb Asmaa et Meftahi Oualid Présentation à Université Saad Dahlab Blida.
République Algérienne Démocratique et Populaire Ministère de l'Enseignement Supérieur et de la Recherche Scientifique Université Saad.
Fonctions Logiques & Algèbre de BOOLE
INTELLIGENCE ARTIFICIELLE
PROGRAMMATION INFORMATIQUE D’INGÉNIERIE II
INTELLIGENCE ARTIFICIELLE
La méthode du simplexe. 1) Algorithme du simplexe  Cet algorithme permet de déterminer la solution optimale, si elle existe, d’un problème de programmation.
Structure D’une Base De Données Relationnelle
Calcul Relationnel Chapitre 4, Section 4.3.
LOG770 Systèmes Intelligents
Calculs des incertitudes Lundi 30 Avril 2018 Master de Management de la Qualité, de la Sécurité et de l’Environnement.
 1____Probabilité  2______variables aléatoires discrètes et continues  3______loi de probabilités d’une v a  4_______les moyens et les moyens centraux.
INDICATEURS ET TABLEAUX DE BORD EN MAINTENANCE. Définitions Indicateur : chiffre significatif d’une situation économique pour une période donnée. Tableau.
Optimisation statistique de stratifiés composites
OPTIMISATION 1ère année ingénieurs
Les méthodes non paramétriques
Révision – mathématiques 8
Froduald Kabanza et Hugo Larochelle Département d’informatique
Présentation 5 : Sondage à probabilités inégales
Les mathématiques avec Chloe et Dalia
Preuves interactives: IP, AM, MA et isomorphisme de graphe
SUJET : E C L A T UNIVERSITE GASTON BERGER DE SAINT LOUIS UFR DES SCIENCES APPLIQUEES ET DE TECHNOLOGIE MASTER PROFESSIONNEL EN DÉVELOPPEMENT DE SYSTÈMES.
ENSEIGNER L’ALGORITHMIQUE ET LA PROGRAMMATION AU COLLÈGE
Reconnaissance de formes: lettres/chiffres
Plan du cours Statistiques appliquées
Moteurs de recherches Data mining Nizar Jegham.
Roowth 1 Université d'Adrar Faculté des Sciences et de la Technologie Département des Mathématiques et Informatique 1 er Année master : Informatique Option:
GRAPHISME PAR ORDINATEUR
MATHEMATIQUES ENSEIGNEMENT DE SPECIALITE
Programme d’appui à la gestion publique et aux statistiques
Introduction à Python.
Disposition du titre Sous-titre.
INTELLIGENCE ARTIFICIELLE
Mathématiques.
Révision – mathématiques 8
Contenu Introduction à Python
INTELLIGENCE ARTIFICIELLE
A. Zemmari SDRP & MA Problème du rendez vous : un algorithme probabiliste et une analyse probabiliste A. Zemmari.
La problématique de l’Ingénieur et/ou du Technicien
STATISTIQUE INFERENTIELLE LES TESTS STATISTIQUES.
Transcription de la présentation:

Concepts avancés en mathématiques et informatique appliquées MAP-6014

Appproches statistiques de la classification (Réseaux Bayesien) Introduction Probabilité jointe Marginale/Probabilité conditionnelle Chain rule Algorithme de création d’un BN Autre exemple de BN

Introduction (Réseau Bayesien) Représentation structurée, graphique de relations probabilistes entre variables aléatoires Représentation explicite des dépendences et indépendances conditionnelles Dépendances représentées par des arcs dans un graphe Représentation efficiente des probabilités jointes Permet de répondre à diverses requêtes P (lung cancer=yes | smoking=no, positive X-ray=yes ) = ?

Introduction (Réseau Bayesien)

Introduction (Réseau Bayesien) Un domaine d’application peut être modélisé par une suite de variables aléatoires X1, X2, X3, …., Xn La connaissance contenue dans ce domaine d’application est représentée par la probabilité jointe P(X1, X2, X3, …., Xn) Exemple classique: Alarm (Pearl 1988) À LA, les vols et tremblements de terre sont communs, et déclenchent une alarme, dans ces cas Mary et John, les voisins téléphonent pour vérifier si quelqu’un est à la maison

Probabilité jointe Exemple classique: Alarm (Pearl 1988) Variables: B (vols), E (tremblement de terre), A (alarme), J (John appel), M (Mary appel) La probabilité jointe P(B, E, A, J, M) permet de modéliser l’information sous forme probabiliste

Probabilité jointe Exemple classique: Alarm (Pearl 1988) P(B, E, A, J, M)

Marginale/probabilité conditionnelle Exemple classique: Alarm (Pearl 1988) Quelle est la probabilité d’avoir un vol sachant que Mary appel, P(B=y|M=y) ? Pour répondre à cette question, nous devons introduire des notions de marginalisation et de probabilité conditionnelle

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Pour répondre à cette question, nous devons introduire des notions de marginalisation et de probabilité conditionnelle

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Quelle est la probabilité d’avoir un vol sachant que Mary appel, P(B=y|M=y) ? 0.000115/(0.000115 + 0.00015) = 0.434

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Sachant que la probabilité jointe permet d’extraire les diverses relations entre les variables (informations), il devient alors possible de faire de l’inférence: Inférence diagnostic: inférer les causes à partir d’effets (ex: médecine, déduire une maladie à partir de symptômes), P(B=y|M=Y) Inférence prédictive: inférer les effets à partir des causes, P(M=y|B=y)

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Cependant, la probabilité jointe P(X1, X2, X3, …., Xn) requiert: 2n données pour spécifier les probabilités Donc, difficile d’acquérir ces probabilités Stockage exponentiel Mais en exploitant l’indépendance conditionnelle et la règle de probabilité en chaîne (chain rule) il devient possible de réduire le nombres de paramètres requis pour évaluer les probabilités jointes

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Chain rule

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Sachant que: Alors: Cette dernière opération comporte moins de termes

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) CPT (conditional probability tables)

Introduction (Réseau Bayesien) Exemple classique: Alarm (Pearl 1988) Réseau bayesien correspondant

Introduction (Réseau Bayesien) Algorithme de construction d’un réseau bayesien Choisir un ensemble de variables descriptives. Choisir un ordre pour les variables. À partir d’un réseau vide ajouter des variables 1 par 1 selon l’ordonnancement. Pour ajouter la i ème variable Xi , Déterminer pa(Xi ) dans (X11, . . . ,Xi−1) Tel que P(Xi |X1, . . . , Xi−1) = P(Xi |pa(Xi )) Relier un arc entre les variables pa(Xi ) à Xi .

Introduction (Réseau Bayesien) Ordre 1 (B, E, A, M, J)

Introduction (Réseau Bayesien) Ordre 2 (M, J, A, B, E) ?

Introduction (Réseau Bayesien) Ordre 2 (M, J, E, B, A) ?

Introduction (Réseau Bayesien) Exemple de réseau Bayesien pour le monitorage de la fatigue au volant

Introduction (Réseau Bayesien) Exemple de réseau Bayesien pour le monitorage des facultés affaiblies

Introduction (Réseau Bayesien) Exemple de réseau Bayesien: acquisition des évidences

Introduction (Réseau Bayesien) Exemple de réseau Bayesien: acquisition des évidences

Introduction (Réseau Bayesien) Exemple de réseau Bayesien: acquisition des évidences

Introduction (Réseau Bayesien) Exemple de réseau Bayesien: acquisition des évidences