章节大纲

  • La représentation des connaissances et le raisonnement à partir de ces représentations a donné naissance à de nombreux modèles. Les modèles graphiques probabilistes, et plus précisément les réseaux bayésiens (RB), initiés par Judea Pearl dans les années 1980 sous le nom de systèmes experts probabilistes, se sont révélés des outils très pratiques pour la représentation de connaissances incertaines et le raisonnement à partir d’informations incomplètes, dans de nombreux domaines comme la bio-informatique, la gestion du risque, le marketing, la sécurité informatique, le transport, etc.

    Le but de ce cours est
    • de définir la notion de réseau bayésien et de raisonnement probabiliste,
    • de donner un aperçu des différents algorithmes permettant d'effectuer ce raisonnement (ou inférence) probabiliste,
    • d'introduire la notion de construction automatique de ces modèles de raisonnement à partir de données.
    • de présenter les extensions dynamiques et relationnelles de ces modèles.
    The need of representating knowledge and reasoning from these representations has resulted in many models. Probabilistic graphical models, and more precisely Bayesian networks (BNs), initiated by Judea Pearl in the 1980s under the name of probabilistic expert systems, have proven to be very practical tools for representing uncertain knowledge and reasoning from incomplete information, in many fields such as bioinformatics, risk management, marketing, computer security, transportation, etc.

    The goal of this course is
    • to define the notion of Bayesian network and probabilistic reasoning, 
    • to give an overview of the different algorithms allowing to perform this probabilistic reasoning (or inference),
    • to introduce the notion of automatic construction/learning of these models from data,
    • to present the dynamic and relational extensions of these models.